Dark leadership: una aproximación al estudio de liderazgos tóxicos y su impacto en la industria hotelera.
Bibliographic record
Abstract
El liderazgo puede constituir un factor diferencial clave para lograr el éxito empresarial. Por ello, su estudio ha cobrado una creciente importancia con la intención de discernir aquellos estilos de liderazgo que generan mayores efectos positivos en los entornos organizativos. Sin embargo, no todos los jefes adoptan liderazgos positivos, demostrando distintos estudios que en determinados sectores —como la industria hotelera— es frecuente encontrar los denominados “liderazgos destructivos”, los cuales pueden generar importantes efectos negativos para las organizaciones y sus miembros. El presente trabajo pretende revisar determinados estilos negativos de liderazgo, analizando algunos de sus efectos en trabajadores de hotel. En concreto, se presenta un estudio en el que se analizan los efectos de dos liderazgos destructivos (la supervisión abusiva y el liderazgo despótico) en la intención de permanecer en la empresa en una muestra de empleados de hoteles certificados con la Q de Calidad del Instituto de Calidad Turística Española (ICTE). Este estudio pretende ofrecer una explicación a las altas tasas de absentismo y rotación habituales en el sector, que han derivado en un problema actual para las empresas hoteleras, las cuales enfrentan dificultades para captar y retener el talento. Los resultados de este estudio demuestran el impacto negativo de los liderazgos destructivos en la intención de continuar en el trabajo del empleado hotelero.
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 | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| 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".