Decoding the Pygmalion language of top CEOs: the communication of high positive expectations in CEO letters
Notice bibliographique
Résumé
Purpose Effective communication of high positive expectations regarding individuals, the organization and the favorability of the environment in which organizations operate is pivotal due to its significant impact on multiple positive organizational outcomes. Drawing on prominent American CEOs' shareholder letters as a primary data source, this study seeks to deepen our understanding of how Pygmalion language can be effectively applied, and how specific linguistic devices may be used to reinforce expectancy messages. Design/methodology/approach To identify and analyze the occurrence and strength of the Pygmalion language and the use of linguistic devices in the CEOs expectancy messages, a quantitative content analysis with some quantitative components were employed. Findings The findings suggest that top management make extensive use of Pygmalion language in their communication to develop their organizations. CEOs use of linguistic devices to bolster the Pygmalion messages in the CEO letters is also considerable. The combined but various use of axioms, performatives, metaphors, slogans and emotion-laden words also suggest a merging of Pygmalion and charismatic leadership behaviors. Practical implications Findings provide insights into how top CEOs communicate high positive expectations, enhanced by strategic use of linguistic devices. This may advise other practitioners regarding how to effectively communicate high expectations to improve performance in their organizations. Originality/value To the authors’ knowledge, this is the first qualitative study on Pygmalion language, analyzing how top managers communicate high positive expectations to their audiences in real-world business settings.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».