Exploring responsible leadership in smart city human resource management
Notice bibliographique
Résumé
Smart cities represent a new urban development model, which uses information and communication technologies to enhance the quality and performance of urban services to use limited resources better, thereby reducing emissions and costs. For smart cities to be successfully developed, HR must also be managed smartly, resulting in Smart City Human Resource Management. Smart City Human Resource Management is performed in the context of a smart city by engaging in the managerial tasks of planning, organising, directing, and controlling city operations related to the procurement, development, maintenance, and utilisation of a smart city workforce. In other words, the human resource management of smart city workers, who are engaged in the work processes of smart city jobs, is Smart City Human Resource Management. Smart City Human Resource Management is likely to be increasingly important in the successful development and operation of smart cities. This study examines human resource management through the lens of responsible leadership. Leadership is about articulating a vision and setting direction, aligning people, motivating and inspiring people, coping with change and providing useful influence. Responsible leadership adds to this understanding by asserting that leadership is not just about realising a vision or strategic goal but is about discovering a vision or goal that has positive intended consequences for the broader stakeholders of a firm. We argue that responsible leadership should be explored more in the context of human resource management. We explore responsible leadership in the recruitment and selection process and the training and development process of human resource management in Smart City Human Resource Management.
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 | 0,000 |
| 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 ».