MétaCan
Menu
Retour à la cohorte
Enregistrement W7072312557

Work motivation, job satisfaction and turnover intention of middle level management at five star hotels in Kuala Lumpur / Nur Dalila Mohd Fisol

2013· other· en· W7072312557 sur OpenAlexaboutno aff

Notice bibliographique

RevueUiTM Institutional Repositories (Universiti Teknologi MARA) · 2013
Typeother
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHospitality and Tourism Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSalaryHospitality industryWork (physics)Kuala lumpurQuarter (Canadian coin)Economic shortageJob satisfactionTourismHotel industry
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The hospitality and tourism is one of the largest economic contributors for Malaysia (Economic Impact, 2012). Malaysia is emerging as a fast growing free market economy with services as the main source of economic growth accounting for almost three quarter of Malaysia’s output with 26 percent of its labor force (MIS Asia, 2010). In general, by 2020, there will be a total of 1.6 billion jobs in the hotel industry (Travel & Tourism, 2011). Thus, there is a significant need in having a more qualified, motivated and skilled manpower available to meet the challenges of this ever changing and demanding industry (Ahmad, Aziz, Kamaruddin, Aziz & Bakhtiar, 2012). Similar to the developed countries, hotels in Malaysia are facing problems in attracting and retaining skilled and knowledgeable of high and low level employees. This is due to low salary and rigid job traits (Ahmad, Solnet & Scott, 2010). The rapid expansion of the hotel industry has exaggerated the demand for employment of competent employees (Ahmad & Zainol, 2011), and this resulted in skilled and knowledgeable workers shortages (Business Monitor International Ltd., 2010). On the other hand, the shortage of skilled workers in Malaysian hotels is caused by the unattractive work atmosphere and unmotivated factors of the industry (Kasimu, Zaiton & Hassan, 2012).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,492
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,202
Écart entre enseignants0,179 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUiTM Institutional Repositories (Universiti Teknologi MARA)Même sujetHospitality and Tourism EducationTravaux en français237 207