Third-Party Perceptions of Victims in the Workplace: New Complexities and Opportunities
Notice bibliographique
Résumé
Third parties, or people who learn about or observe others’ mistreatment at work without being directly involved (Skarlicki & Kulik, 2005; Treviño, 1992), play a crucial role in victims’ future workplace outcomes following the initial mistreatment (Dodson et al., 2023). However, the intricacies of the relationship between victims and third parties are under-addressed in the current literature, and we believe scholars have merely scratched the surface of understanding how third-party responses affect victims of workplace misconduct or mistreatment. In this symposium, we present four papers that share novel findings related to how third parties respond in the aftermath of workplace mistreatment and highlight opportunities to continue to expand our understanding of complex interpersonal processes that occur in organizations between third parties, victims, perpetrators, and other organizational stakeholders following mistreatment. Third Parties’ Moral and Social Responses to Workplace Sexual Harassment Victims Author: Rachael Goodwin; Syracuse U. Whitman School of Management Author: Samantha Dodson; Haskayne School of Business, U. of Calgary Author: Jesse Graham; U. of Utah, David Eccles School of Business Author: Morteza Dehghani; U. of Southern California Author: Kristina Diekmann; U. of Utah The Dark Side of Forgiveness: Unintended Consequences of Third-Party Forgiveness on Victims Author: Sarah Jensen; U. of Utah, David Eccles School of Business Author: Xiaoyu Yin; OB Author: Kylie Rochford; U. of Utah, David Eccles School of Business Author: Kristina Diekmann; U. of Utah Taking on EDI: The Ethics of Managers as Modern-day Robin Hoods Author: Samantha Dodson; Haskayne School of Business, U. of Calgary Author: Daniel Skarlicki; U. of British Columbia Moral Disengagement as an Explanation for Failure to Hold Hararassers Accountable Author: Ho Kwan Cheung; U. of Calgary Author: Caren Goldberg; U. de Sevilla Author: Lynn Bowes-Sperry; California State U., East Bay
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 | 0,018 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,025 |
| Communication savante | 0,016 | 0,031 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».