Links among Tangible Rewards, Intangible Rewards, and Turnover Intentions: A Multi-Level Study in the ICT Sector
Bibliographic record
Abstract
Cette étude multiniveaux explore les liens entre des composantes de la rémunération globale et les intentions de quitter du personnel à l’emploi d’entreprises du secteur des technologies de l’information et des communications (TIC) au Canada. Au niveau individuel, nous avons mesuré la satisfaction des employés envers des composantes de leur rémunération tangible (soit, leur salaire et leurs avantages sociaux) ainsi qu’envers leur rémunération intangible (par exemple, reconnaissance, formation et développement). Au niveau organisationnel, nous avons mesuré la rémunération tangible en divisant la masse salariale par le nombre d’employé. L’étude a été menée par l’entremise d’un questionnaire distribué auprès de 223 employés travaillant pour 21 entreprises canadiennes du secteur des TIC. Les résultats confirment que plus la satisfaction des employés envers la rémunération intangible est élevée, moins ils expriment d’intention de quitter leur employeur. Les résultats montrent aussi que les employés qui œuvrent pour des firmes leur offrant un salaire moyen par employé relativement « faible » ou « élevé » expriment moins d’intention de quitter leur emploi que ceux qui sont à l’emploi de firmes offrant un salaire moyen de valeur « moyenne ». Enfin, le lien négatif entre la satisfaction des employés envers leur rémunération intangible et leur intention de quitter est plus fort au sein des employeurs dont la masse salariale par employé est « faible » ou « élevée » que dans celles où elle est « moyenne ».
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".