The effect of emotional intelligence, and fostering creativity on entrepreneurship business administration: mediating role of innovation and intrinsic motivation
Notice bibliographique
Résumé
The study focuses on the intricate nature of emotional intelligence (EMI), Fostering creativity (FC), intrinsic motivation (IM), innovation (IN) and entrepreneurship (E) under the context of corporate management in a country. Based on a sample of 359 actively engaged respondents and using Partial Least Squares Structural Equation Modeling, the study reveals significant positive associations: emotional intelligence includes entrepreneurship, Fostering creativity contains entrepreneurship, innovation, emotional intelligence appears intrinsic motivation, in Fostering creativity appear intrinsic motivation, emotional intelligence includes innovation, in Fostering creativity is innovation, intrinsic motivation includes entrepreneurship, in innovation is entrepreneurship. The results demonstrate a chain mediation: emotional intelligence influences entrepreneurship, intrinsic motivation is involved, and innovation serves as the intermediary. In the same way, it is fertile in creativity to begin entrepreneurship, whereas intrinsic motivation and innovation are mediating factors considering this fact. Accordingly, these findings have a huge impact on the development of effective public health policies and the nature of ecosystems research in future. For organizations in Jordan, a result based on these results will help in the development of a constructive atmosphere which will be inclined towards entrepreneurs by working on emotional intelligence, creativity, intrinsic motivation and innovation. The research puts in place a theoretical framework which is complemented by the granular perspective of these psychological and entrepreneurial factors.
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 | 0,001 |
| 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 ».