Comment les employés d’une chaîne de magasins de commerce de détail et les clients répondent aux différentes configurations LMX : une analyse longitudinale
Bibliographic record
Abstract
Cet article examine les effets des configurations de LMX perçues par les employés qui interagissent avec des clients sur le climat de justice procédurale, sur le comportement de service orienté client et sur le montant dépensé par les clients. Les résultats basés sur des données multi-sources de 29 magasins, recueillies à six occasions (1 857 employés de première ligne et 20 524 clients) d’un grand détaillant canadien, mettent en évidence la nature paradoxale de la configuration LMX. Plus précisément, les employés des magasins avec une forte proportion de configuration LMX minoritaire, en comparaison aux unités avec une proportion plus élevée de configuration LMX égalitaire, tendent à expérimenter un plus faible niveau de climat de justice procédurale, mais à déployer paradoxalement plus de comportements de service orienté client et à engendrer des dépenses annuelles plus élevées de la part des clients. À l’inverse, les employés de magasins ayant une proportion plus élevée de configuration LMX fragmentée, en comparaison avec la configuration LMX égalitaire, tendent à afficher moins de comportements de service orienté client et de plus faibles dépenses annuelles des clients. Cette étude montre également que les configurations LMX perçues se répercutent sur le montant dépensé par les clients, par l’entremise du climat de justice et des comportements de service.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".