Effets potentiels de l’intelligence émotionnelle des gestionnaires sur les subordonnés au travail : une recension systématique de la littérature
Bibliographic record
Abstract
Les transformations successives des environnements de travail, notamment sur le plan technologique, s’avèrent émotionnellement exigeantes et sont susceptibles d’affecter les attitudes et la performance des travailleurs. Dans ce contexte, l’intelligence émotionnelle (IÉ) des gestionnaires a été soulevée comme une ressource substantielle pour soutenir et influencer leurs subordonnés. Cependant, étant donné la large étendue de résultats empiriques sur les effets potentiels de l’intelligence émotionnelle des gestionnaires (IÉG) sur les subordonnés au travail et la variété d’instruments de mesure de l’IÉ, la compréhension de ces effets potentiels dans la littérature demeure un défi à ce jour. Cette recension systématique, réalisée à partir du protocole PRISMA 2020, présente une synthèse qualitative des effets potentiels de l’IÉG sur les subordonnés et des processus impliqués, et ce, en classant les résultats à partir des trois courants de l’IÉ. À la suite du processus de sélection et de l’évaluation de la qualité des études, un total de 56 études (1990-2023) a été retenu. Les résultats révèlent que l’IÉG a un effet potentiel significatif sur la performance des subordonnés (performance individuelle; performance et efficacité d’équipe; créativité et comportements d’innovation et comportements de citoyenneté organisationnelle) dans approximativement 85 % des études recensées et sur les attitudes (satisfaction individuelle et de groupe au travail; engagement et épuisement professionnel), les affects et les autres variables liées aux subordonnés dans approximativement 92 % des études. Le présent article illustre de manière complète et accessible les effets potentiels de l’IÉG sur les subordonnés et offre aux chercheurs un point de départ pour bâtir leur modèle d’étude.
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 | 0.021 | 0.066 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".