How overloaded employees can use resilience and forgiveness resources to overcome dissatisfaction and maintain their knowledge-sharing efforts
Notice bibliographique
Résumé
Purpose Drawing on conservation of resources theory, this study aims to examine how employees’ experiences of excessive workloads may direct them away from efforts to share knowledge with other organizational members, as well as the circumstances in which this process is more or less likely. To untangle the process, the authors predict a mediating role of job dissatisfaction and moderating roles of two complementary resources that help employees cope with failure: resilience as a personal resource and organizational forgiveness as an organizational resource. Design/methodology/approach Survey data were gathered from employees of an organization that operates in the construction retail sector. The Process macro provides an empirical test of the moderated mediation dynamic that underpins the proposed conceptual framework. Findings The statistical findings affirm that an important channel through which employees’ perceptions that their work demands are unreasonable escalate into a diminished propensity to share knowledge is their lack of enthusiasm about their jobs. Their ability to recover from challenging work situations and their beliefs that the organization does not hold grudges against people who commit mistakes both mitigate this harmful effect. Practical implications For organizational practitioners, this research shows that when employees feel frustrated about extreme work pressures, the resource-draining situation may escalate into diminished knowledge sharing, which might inadvertently undermine their ability to receive valuable feedback for dealing with the challenges. From a positive perspective, individual resilience and organizational forgiveness represent resources that can protect employees against this negative spiral. Originality/value This study explicates an unexplored harmful effect of strenuous workloads on knowledge sharing, which is explained by employees’ beliefs that their organization fails to provide satisfactory job experiences. This effect also is mitigated to the extent that employees can draw from valuable personal and organizational resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| 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 ».