Les effets du technostress sur la performance du manager de proximité : Développement conceptuel et validation empirique
Bibliographic record
Abstract
Cet article est la première étape dans l'étude du comportement adaptatif du manager dans le contexte du technostress. L'utilisation omniprésente de TIC peut créer "technostress". L'objet de notre recherche est d'examiner le cas de la spécificité du phénomène de technostress des managers de proximité. Nous développons ici nos questions de recherche sur les facteurs qui créent le technostress et le stress de rôle du manager de proximité ? Comment les créateurs de technostress influencent-ils la performance du manager de proximité ? Un questionnaire de plus 800 exemplaires a été distribué auprès d'un échantillon de managers de proximité français, canadien, marocain et chinois. Le taux de retour est de presque 40%. Nos résultats sont basés sur la modélisation par équation structurelle (SEM). Des facteurs créateurs de technostress des managers ont été ajustés grâce à l'analyse factorielle. Nous estimons que 1) le stress de rôle des managers de proximité peut être exploré par l'ambiguïté et la proximité de rôle. 2) le créateur de technostres influence négativement la performance de manager de proximité par stress de rôle.
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 | 0.033 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".