Combat poison with “poison”: Leader-targeted negative team gossip mitigates the detrimental team consequences of abusive supervision climate.
Notice bibliographique
Résumé
Existing research presents mixed perspectives on the impact of abusive supervision climate on team processes and effectiveness. This discrepancy prompts an important question: when, why, and how does abusive supervision climate become more or less detrimental to teams? By integrating the social functional perspective of gossip with recent theoretical advancements on abusive supervision climate, we develop a novel theoretical model to explain how leader-targeted negative team gossip-defined as the extent to which team members share negative evaluations of the leader's behaviors with each other when the leader is absent-can mitigate the adverse effects of abusive supervision climate on teams. Our model posits that leader-targeted negative team gossip serves its social function in two key ways: (a) It diminishes team members' perception of the leader as a role model, thereby reducing the influence of abusive supervision climate on team aggressive behavior, and (b) it fosters perceived similarity among team members regarding their negative attitudes toward the leader, which lessens the impact of abusive supervision climate on team affective trust. We further argue that these buffering effects of leader-targeted negative team gossip have significant downstream implications for team effectiveness, specifically in terms of team performance and team voluntary turnover. Our model was tested using two multiwave, multisource field studies employing a round-robin design, with samples of 111 and 237 work teams, respectively. The results largely supported our model. We conclude by discussing the theoretical and practical implications of our findings. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 | 0,001 |
| 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 ».