How has Remote Work Self-Efficacy Changed After a Quarter Century?
Notice bibliographique
Résumé
The purpose of this research was to replicate and extend Staples et al.’s (1999) study to determine if their findings are consistent relative to modern remote work models to provide contextually relevant suggestions for managers to enact policies that leverage remote work to benefit their employees and organization. The study consisted of assessing the mechanisms that lead remote workers to experience enhanced performance and improved well-being. In addition to the model illustrated in Staple et al.’s (1999) study, I also examined whether technology industries moderate the relationships between antecedents of remote work self-efficacy, and if remote work intensity, the degree an employee works from home, moderates the relationships between remote work self-efficacy and outcomes. Through a combination of using Prolific and convenience sampling, I obtained 434 valid responses. I then used SPSS to conduct regression analysis to test hypotheses. The results in general confirm Staples et al.’s (1999) findings. I found that modelling best practices by manager, IT experience and training, and general computer self-efficacy were positively associated with remote work self-efficacy; while computer anxiety had a negative association. Furthermore, remote work self-efficacy had positive associations with remote work performance, job satisfaction, affective commitment, ability to cope, and a negative association with job stress. In terms of moderation effects, there is a stronger, positive relationship between general computer self-efficacy and remote work self-efficacy for employees working in technology industries than those working in non-technology industries. Theoretical, practical contributions, and future research directions are discussed.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».