Happy, and they know it? The roles of positive affectivity, intrinsic motivation and network building on LinkedIn on employment predictions
Notice bibliographique
Résumé
Purpose Drawing on trait activation theory, this study examines the influence of positive affectivity on employment predictions (e.g. the probability of obtaining an interview and being hired) via intrinsic motivation and network building on LinkedIn. Design/methodology/approach Multisource field data were collected from student job seekers ( n = 179) searching for an internship over two points with a six-month time separation between the first and second data collection. Findings Structural equation modeling (SEM) analyses revealed marginal support for the mediating roles of intrinsic motivation and network building in positive affectivity’s indirect effect on employment predictions about the probability of obtaining an interview and being hired. Research limitations/implications This study extends research on job search networking/selection by demonstrating the sequential process through which job seekers’ positive affectivity influences employment predictions, emphasizing the intermediary roles of intrinsic motivation and network building on LinkedIn. Practical implications Job seekers, recruiters and career counselors should consider network building on LinkedIn as a relevant expression of positive affectivity. Originality/value We apply trait activation theory as an overarching framework to examine how an affective between-person difference is expressed via intrinsic motivation and network building and is, at the same time, perceived and valued by employers on LinkedIn.
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 | 0,000 | 0,000 |
| 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 ».