Discovering Strategies to Lead Teams Abruptly Forced into Virtual Environments Due to the COVID-19 Pandemic
Notice bibliographique
Résumé
COVID-19 was an unprecedented time in the global economy, causing a massive shift for many organizations conducting business. The speed at which organizations needed to implement World Health Organization’s restrictions and transition their teams from face-to-face to virtual environments was unpredictable. The purpose of this qualitative single case study was to explore what leaders prepared for an organization to cope with situations like COVID-19 when abruptly moving employees from face-to-face to virtual environments. A conceptual framework based on the organizational change theory and the team adaptation theory was used to direct this study. The research question address what strategies leaders within an organization now think they could have used during COVID-19 to adapt to an abrupt transition from face-to-face teams into virtual teams. Semistructured interviews were used to collect the data from 11 mid-to-senior level managers in a retail home renovation organization in Canada. A thematic analysis and Saldaña’s two-tiered coding process were conducted. The following four themes emerged: (a) bringing humanity back into the workplace, (b) mitigating extraordinary crisis and change, (c) swiftly pivoting to providing structure to business, and (d) adapting to the unconventional workplace environment. Within these four themes, leadership strategies for coping with the abrupt changes brought on by COVID-19 were discovered. The findings can contribute to positive social change by teaching leaders and managers what skills are needed, what strategies work, and how to continue to put the employees’ needs first to foster productivity at every level of the organization.
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 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».