Le rôle des interactions entre engagements multiples dans la prédiction du risque de démission
Bibliographic record
Abstract
Cette étude examine l’influence d’engagements multiples envers l’organisation et le groupe de travail dans la prédiction des départs volontaires, en considérant les interactions entre les deux cibles et les effets principaux des dimensions d’engagement. Ce faisant, la présente étude innove en poursuivant une ligne de recherche émergente sur la façon dont des engagements multiples envers des cibles de travail emboitées s’articulent dans leur influence sur l’occurrence des départs volontaires. De plus, notre attention se porte particulièrement sur les interactions entre l’engagement organisationnel normatif et les dimensions d’engagement envers le groupe. En effet, des travaux récents suggèrent que l’engagement normatif peut voir sa signification perçue se modifier suivant le contexte intra-personnel créé par les autres dimensions d’engagement (Gellatly, Meyer et Luchak, 2006 ; Meyer, Stanley et Parfyonova, 2012). Nous explorons donc l’idée que l’engagement organisationnel normatif pourrait avoir des effets différents sur le risque de démission suivant qu’il s’accompagne d’un engagement affectif, normatif ou de continuité élevé envers le groupe. Sur la base d’une étude en deux temps de mesure espacés d’un an ( N = 268), les analyses révèlent que l’engagement organisationnel normatif présente un effet de réduction du risque de démission plus important lorsque l’engagement affectif envers le groupe est élevé, mais un effet de réduction du risque de démission plus faible lorsque l’engagement normatif envers le groupe est élevé, indiquant des interactions opposées entre les cibles d’engagement. De plus, l’engagement par manque d’alternatives est lié à un risque réduit de démission, cela seulement lorsque l’engagement de continuité envers le groupe est élevé. Enfin, l’engagement organisationnel affectif et l’engagement organisationnel par sacrifice perçu sont associés à un risque réduit de démission alors que l’engagement de continuité envers le groupe de travail augmente ce risque. Nous discutons la portée de ces résultats pour la compréhension du rôle des engagements multiples dans la rétention des employés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".