Beyond the EVLN model: Quiet Quitting and the evolving dynamics of job dissatisfaction in human resource management
Notice bibliographique
Résumé
This study examines ‘Quiet Quitting’ (QQ) as a novel and distinct response to job dissatisfaction, exploring its implications for Human Resource Management (HRM) and the evolving dynamics of employment relationships. Building upon Farrell’s Citation1983 Exit-Voice-Loyalty-Neglect (EVLN) model and integrating contemporary HRM theories, the research employs multi-dimensional scaling to better reflect current workplace behaviors. Using survey data from 238 workers across Canada, the USA, and the UK, the findings reveal that QQ mitigates individual dissatisfaction while subtly undermining organizational performance and employee engagement. Unlike traditional Exit and Neglect behaviors, QQ is less overtly disruptive and signifies a shift away from Loyalty and Voice. This evolution presents nuanced challenges for HR professionals, particularly in managing expectations, fostering engagement, and aligning HR practices with generational shifts in work-life balance and autonomy. Predominantly exhibited by Generation Z, QQ reflects changing workforce dynamics in the Western labour markets we study, emphasizing the need for innovative and contextually sensitive HR practices. By situating QQ within the broader HRM literature and offering practical recommendations, this study contributes to both HRM theory and practice, aiding organizations and policymakers in addressing generational trends in job dissatisfaction and workplace engagement.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».