Impression Management and Faking in Selection: Prevention, Promotion and Consequences
Notice bibliographique
Résumé
This symposium brings together four innovative studies centered on impression management (IM) and faking, conducted by researchers from four different institutions. Using various methods (e.g., experiments, intervention, and surveys), three of the studies investigate novel approaches to influencing applicant behavior in various assessment tools including game-based assessments (GBA), personality tests, and job interviews. In addition, the symposium addresses the potential long-term consequences of IM tactics and concludes with an engaging discussion that expands on the insights from the presented papers, offering a broader perspective on the topic. Game On, Faking Off? Comparing Personality Game-Based Assessments to Traditional Personality Tests Author: Marie Ohlms; University of Freiburg Author: Ard Barends; Leiden University Author: Uwe Pter Kanning; Osnabrück University of Applied Sciences Exploring a Visual Dual-Task for Faking Prevention on Personality Assessments Author: Sabah Rasheed; Wilfrid Laurier University Author: Chet Robie; Wilfrid Laurier University Investigating the Effect of Honest Impression Management Training Author: Johanna Bayón; University of Zurich Author: Martin Kleinmann; University of Zurich Author: Anna Luca Heimann; University of Zurich Interview Impression Management and Workplace Outcomes Author: Reegan Prete; Author: Nicolas Roulin; Saint Mary's University
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 | 0,000 |
| 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 ».