Digital talent and job satisfaction in the administrative staff of a public university with WarpPLS 8.0
Notice bibliographique
Résumé
Job satisfaction and digital talent are topics of growing interest in the context of digital transformation. Digitalization is changing the way organizations operate and how employees perceive their work. The state and its administrative staff is no exception, as these capabilities are essential to perform operational tasks that underpin the public institution's documentary processes. This study investigates the influence of digital talent (independent variable) on job satisfaction (dependent variable), employing structural equation modeling (SEM) using WarpPLS software. Digital Talent is broken down into three sub-variables: Digital Competencies of Employees (DCE), Capacity for Digital Innovation and Creativity (CIDC) and Adaptability and Continuous Learning (ACL), while Job Satisfaction is measured through two sub-variables: Work Environment (WE) and Professional Development Opportunities (PDO). The analyses revealed that Capacity for Innovation and Digital Creativity (CIDC) has a significant impact on Work Environment, with a path coefficient (β) of 0.13 (p = 0.01). Similarly, adaptability and continuous learning (ACL) positively influence the work environment, with a path coefficient (β) of 0.10 (p = 0.04). In addition, a strong relationship was found between professional development opportunities (PDO) and work environment, with a path coefficient (β) of 0.68 (p < 0.001). For the relationship between digital competencies (DCE) and career development opportunities, the path coefficient was 0.10 (p = 0.04). Digital talent is a key predictor of job satisfaction in administrative staff. The results suggest that investing in the development of digital capabilities, especially innovation and creativity, as well as adaptability, is essential to improve the work environment and career development opportunities.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».