Examining the moderating role of data literacy in the relationship between human resource analytics and employee innovative behavior
Notice bibliographique
Résumé
The practical application of business data analytics in human resource (HR) management activities is still limited and underutilized. The primary reason for this is the requirement for more analytical skills, which can be acquired through data literacy. These skills are necessary to ensure obtaining the potential benefits of human resource analytics linked to desired positive employee outcomes, such as fostering innovative behavior. To address this issue, this quantitative study has been conducted to delve into the prospective moderating role of data literacy in the interaction between human resource analytics and employees’ innovative behavior. The core objective of this study is to examine whether human resource professionals’ data literacy level significantly impacts the correlation between human resource analytics and the inclination of employees towards innovative behavior. A sample of 250 HR specialists from large companies in Jordan has been used to address this inquiry. A correlational-predictive design has been used in this study. Regression analysis using the SPSS macro-PROCESS software has been utilized to address the study hypotheses. The study reveals a positive connection between HR analytics and employees’ innovative behavior. Moreover, it uncovers a noteworthy moderating influence of data literacy on this association. These findings suggest that heightened data analysis proficiency among HR professionals amplifies the potential benefits derived from analytics, thereby enhancing employees’ innovative capabilities. As a result, the research suggests that companies upgrade their technical infrastructure for HR functions and concurrently utilize data analytics for informed HR decisions. Further, these insights do serve as necessary inputs in understanding HR analytics and their implications for prudent business strategy. In view of this dynamic nature of HR analytics, the contributions made by the study are immensely valuable; hence, further exploration is needed to fill in gaps within existing knowledge.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».