Navigating ethical decision-making in digital transformation: ethical climate, digital competence, and person-organization fit in China’s banking sector
Notice bibliographique
Résumé
Abstract In the context of rapid digital transformation, Chinese commercial banks face growing pressure to uphold ethical standards while adopting advanced technologies. This study explores the factors shaping employees’ ethical decision-making intentions in this setting. Grounded in Person–Environment Fit Theory and Ethical Decision-Making Theory, it examines how ethical climate and digital competence influence ethical intentions, and how person–organization (P–O) fit mediates these relationships. Drawing on a two-wave survey of 678 bank employees, the study finds that P–O fit plays a pivotal mediating role in linking ethical climate and digital competence to three types of ethical decision-making intentions: procedural, relational, and innovative. A supportive ethical climate enhances P–O fit by aligning organizational and individual values, while higher digital competence enables employees to manage the complexities of digital work environments. Moreover, P–O fit significantly amplifies the effects of ethical climate and digital competence across all dimensions of ethical intent. Moderating analyses show that organizational digital ethical culture and employees’ educational levels further shape these dynamics. This research contributes new insights by positioning digital competence as an ethical capacity, not just a technical skill, and by proposing an integrated framework connecting digital ethics and person–organization alignment. The findings provide theoretical and practical implications for promoting ethical conduct in digitally evolving organizations.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».