Abusive Supervision Dispersion and Team Resilience: The Moderating Role of Team-Member Exchange
Notice bibliographique
Résumé
In this study, we explore the idea of abusive supervision dispersion (ASD), which refers to the variability in team members’ perceptions of supervisory abuse, and its implications for team performance and cohesion. While past researchers have mainly adopted a compositional perspective to study abusive supervision, treating it as a uniform experience, we employed a dispersion lens to highlight the heterogeneity within teams. Drawing on Social Exchange Theory (SET), which emphasizes the importance of reciprocity and fairness in relationships, we argue that ASD disrupts these relational norms, eroding team trust and cohesion. Using multi-source, multi-level data from 62 work teams across diverse industries, we found that ASD has significant negative effects on team outcomes, including reduced performance and diminished morale. These effects, however, are not uniform and are moderated by team-member exchange (TMX)—the quality of interpersonal relationships within the team. Specifically, in high-TMX teams, the detrimental effects of ASD are mitigated as strong social bonds provide a buffering effect, promoting resilience and cohesion despite discrepancies in supervisory experiences. Conversely, in low-TMX teams, the negative effects of ASD are amplified, leading to greater dysfunction, conflict, and reduced productivity. These findings advance leadership research by challenging traditional assumptions of homogeneity in abusive supervision experiences and underscore the role of contextual factors like TMX in shaping team dynamics. Practically, fostering high TMX through team-building activities and reducing inconsistencies in supervisory behavior are critical organizational strategies.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».