Leadership constructs and artificial intelligence: Introducing a novel organizational assessment survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This theoretical paper presents a novel "Kinematic Model" of leadership, designed to capture the dynamic nature of leadership within organizations considering the environments in which they arise amidst the context of continuous change. At the core of every organization are three fundamental components: people, processes, and resources. The leadership landscape consists of 34 distinct constructs, from traditional styles such as transformational and transactional to newer ones like digital and neuroleadership. Leadership operates within varied environments, influenced by internal and external events, as well as the nature and experiences of the individuals and groups comprising organizations. The Kinematic Model integrates these elements into ten domains, emphasizing the need for continuous assessment, adaptability, and balancing people, processes, and resources. Taken together this review provides an orientation and reference to a separate comprehensive survey developed in parallel that provides a framework for any leadership assessment in various organizational settings. In the context of artificial intelligence (AI), its integration into organizations significantly affects leadership dynamics. AI enhances decision-making by analyzing vast data sets, but also risks over-reliance, potentially sidelining human judgment. AI's insights into employee performance might overlook intangible leadership qualities. Additionally, ethical concerns arise with AI in leadership, including workplace surveillance and algorithmic biases. As AI takes on more leadership roles, leaders must adapt, emphasizing vision-setting, relationship-building, and fostering innovation. Leaders must stay updated and adaptable as AI evolves, balancing its capabilities with human insight, ethics, and emotional intelligence.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle