Proactive Perspectives on the Service Frontlines: From Managing Mistreatment to Enhancing Civility
Notice bibliographique
Résumé
The aim of this presentation symposium is to highlight the importance of understanding, managing, and mitigating the effects of interpersonal mistreatment (i.e., from customers or coworkers) on employees, customers, and the service workplace. This symposium will foster discussion among scholars from multiple disciplines (e.g., HR, OB, Occupational Health, Psychology, Marketing), with different theoretical and methodological perspectives, who conduct mistreatment research in multiple national contexts (Australia, Canada, Germany, and USA). By doing so, we aim to identify potential directions for the advancement of theoretical understanding, empirical research, and managerial policy focused on managing mistreatment and enhancing civility on the service frontlines. Customer Mistreatment in Service and Healthcare Encounters: A Bibliometric Review Author: David Douglas Walker; The University of British Columbia Author: Su Kyung Kim; University of Manitoba Author: Danielle Van Jaarsveld; The University of British Columbia Let Me Speak to Your Manager! Employee Responses to Leader Loyalty During Customer Mistreatment Author: Stephen M Reid; University of Iowa Author: Stephen Hyrum Courtright; University of Iowa Violence and Negative Behavior as Distinct Emotional Labor Demands: Implications for HRM in Service Author: Andrea Fischbach; German Police University Time Out: Using Breaks to Halt Cycles of Mistreatment Author: Karyn L. Wang; The University of Sydney Author: Anya Madeleine Johnson; The University of Sydney Author: Stefan Volk; The University of Sydney Quick Team Formation: How Presumptive Trust Enhances Coworker-Directed Citizenship Behavior Author: Nicholas A. Smith; Northern Illinois University Author: Mahesh Vaidyanathan Subramony; Northern Illinois University Author: Ilias Danatzis; King's College London Author: Lisa Van Der Werff;
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 | 0,001 | 0,000 |
| 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 ».