Les liens entre la rémunération intangible, les attentes au travail et l’intention de quitter : une étude quasi expérimentale
Bibliographic record
Abstract
Cette recherche a deux objectifs principaux. Le premier est d’examiner l’impact de la rémunération intangible sur l’intention de quitter. Le second est d’étudier le rôle modérateur des attentes au travail sur la relation entre la rémunération intangible et l’intention de quitter. En s’appuyant sur un recensement des écrits ainsi que sur la théorie du signal et la théorie de l’échange social, il est postulé que la rémunération intangible diminue l’intention de quitter et que les attentes au travail modèrent cette relation. Les données utilisées proviennent d’une étude, quasi expérimentale à deux facteurs, menée auprès de 318 étudiants au premier cycle d’une école de gestion d’une grande université canadienne. La rémunération intangible est mesurée par deux facteurs, à savoir 1- la reconnaissance, et 2- la formation et le développement. Les résultats indiquent que la rémunération intangible a un impact significatif sur l’intention de quitter. Spécifiquement, la reconnaissance et la formation et le développement diminuent l’intention de quitter. Pour leur part, les attentes au travail sont mesurées par deux facteurs, à savoir 1- l’accomplissement au travail, et 2- conciliation vie personnelle et vie professionnelle. Les résultats indiquent que seules les attentes en matière d’accomplissement au travail modèrent la relation négative entre la formation et le développement et l’intention de quitter. Cette étude se termine en discutant les résultats, ses préconisations managériales et propose des pistes de recherches futures.
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 | 0.016 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".