Technostress and disengagement from knowledge sharing: insights from pre-pandemic and mid-pandemic data sets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This study aims to examine a common failure in knowledge sharing, called disengagement from knowledge sharing (DKS), and investigates how technostress may contribute to this unintentional withholding of knowledge for knowledge workers. The authors apply the Job Demands-Resources (JD-R) model to explain the dual path of technostress creators and inhibitors on DKS via burnout and job engagement. The authors also examine how the pandemic and the changes in remote work and information and communication technology (ICT)-related stress may have impacted DKS. Design/methodology/approach Using a time-lag survey, two independent samples of knowledge workers who use information and communication technologies for their jobs were surveyed during early 2020 and mid-2021. Analyses were completed with partial least squares-structural equation modelling. Findings Technostress (via the JD-R model) explained DKS. Technostress creators were positively associated with burnout, which was in turn positively related to DKS. Technostress inhibitors were positively associated with job engagement, which in turn was also positively related to disengagement to knowledge sharing. Technostress inhibitors were negatively associated with burnout. Results from the multigroup analysis indicated that technostress inhibitors had a stronger relationship with engagement pre-pandemic than mid-pandemic. Originality/value This research addresses a more common source of knowledge sharing failures and illustrates how ICTs may impact this DKS via burnout and job engagement. In addition, this research captures a change in relationships associated with the pandemic.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle