Leadership constructs and artificial intelligence: Introducing a novel organizational assessment survey
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».