Motivating with Rewards: The Good, the Bad, and the Confused
Notice bibliographique
Résumé
This symposium addresses important factors that influence the effectiveness of pay-for-performance (PFP) compensation systems, drawing from multiple motivation theories including expectancy theory, self-determination theory and goal setting theory (Deci & Ryan, 1980; Locke & Latham, 1990; Vroom, 1964). The factors considered include employees’ understanding of how they get compensated, how reward salience and a desire for money influence motivation, whether managerial autonomy support and more flexible goal setting can mitigate the controlling effects extrinsic rewards on intrinsic motivation, and how PFP certainty, size and frequency influence deviant behaviors. These studies collectively highlight the complexities of designing effective motivational compensation systems in the workplace. The KISS Principle of Compensation Author: Anja H. Olafsen; University of South-Eastern Norway Author: Marylene Gagne; Curtin University - Perth Author: Claus Wiemann Frolund; University of South-Eastern Norway Reward salience as a key factor undermining motivation Author: Josh Howard; Monash University Author: Duc Tran; Monash University Perceiving Goals as Invariable, Pay-for-Performance, and Desire for Money Author: Bard Kuvaas; BI Norwegian Business School Author: Haien Ding; BI Norwegian Business School The Deviant Effects of Bonuses Author: Marylene Gagne; Curtin University - Perth Author: Jacques Forest; Author: Florence Jauvin; Author: Patrick Coulombe; Université du Québec à Montréal (UQAM) Author: Anja H. Olafsen; University of South-Eastern Norway
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».