Mindfulness and Its Intersection With Social Challenges
Notice bibliographique
Résumé
Workplace accounts of poor management, employee burnout, and inequity have been consistent elements of work life leading to countless media reports of workplace toxicity where a lack of trust and overabundance of conflict have become the norm. The studies in this symposium continue to advance knowledge by documenting how mindfulness intersects common challenges in the social realm. These include managing the intricate process of feedback and communication, supportive leadership behaviors that enable employee resilience, deepening the understanding between telecommuting and well-being, and enriching our understanding of minoritized experiences. These studies add to knowledge on mindfulness by examining understudied areas and voices and offer new theoretical insights and practical implications. Trait Mindfulness Buffers Responses to Negative Feedback Author: Christopher James Lyddy; Providence College Author: Darren Jason Good; Pepperdine U. Author: Tiffany Kriz; MacEwan U. Fear of Negative Evaluation Mediates the Positive Effect of Mindfulness on Feedback-Seeking Behavior Author: Eva Peters; Singapore Management U. Author: Jochen Matthias Reb; Singapore Management U. Author: Samantha Su-Hsien Sim; NOVA School of Business and Economics Creating Positive Relationships at Work: The Role of Leader Mindful Communication Author: Wu Wei; Wuhan U. Author: Xia Liu; Wuhan U. Author: Alisha Gupta; Virginia Commonwealth U. Author: Chris Reina; Virginia Commonwealth U. A Mindful Attention Regulation Perspective on The Role of Telecommuting For Employee Well-being Author: Ute Regina Hulsheger; Maastricht U. Author: Annika Nübold; Maastricht U. Author: Darta Vasiljeva; Maastricht U. The Enlightenment Bias: Why Mindfulness May Not Be A Practice for Everyone Author: Ellen Choi; Ted Rogers School of Management, Toronto Metropolitan U.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».