Notice bibliographique
Résumé
We've all heard of (or experienced) the "boss from hell." But that's just one form that incivility in the workplace can take. Rudeness on the job is surprisingly common, and it's on the rise. Whether it involves overt bullying or subtle acts of thoughtlessness, incivility takes a toll. It erodes productivity, chips away at morale, leads employees to quit, and damages customer relationships. Dealing with its aftermath can soak up weeks of managerial attention and time. Over the past 14 years the authors have conducted interviews with and collected data from more than 14,000 people throughout the United States and Canada in order to track the prevalence, types, causes, costs, and cures of incivility at work. They suggest several steps leaders can take to counter rudeness. Managers should start with themselves-monitoring their own behavior, asking for feedback on it, and making sure that their actions are a model for others. When it comes to managing the organization, leaders should hire with civility in mind, teach it on the job, create group norms, reward good behavior, and penalize bad behavior. Lest consistent civility seem an extravagance, the authors caution that just one habitually offensive employee critically positioned in an organization can cost millions in Lost employees, lost customers, and lost productivity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».