Les antécédents de la performance adaptative : où en est-on après Park et Park (2019) ?
Bibliographic record
Abstract
Avec la nature du travail qui change constamment, la capacité des employés à acquérir des nouvelles compétences devient un bénéfice de plus en plus recherché par les organisations. La performance adaptative (PA) permet de répondre à cette réalité en intégrant la notion d’adaptation en contexte de travail au concept de performance. Pourtant, malgré un bon nombre d’études menées dans les dernières années, les données empiriques portant sur les antécédents de la PA (p.ex. caractéristiques individuelles, de groupe, de l’emploi et de l’organisation) sont encore limitées et parfois contradictoires. De plus, la recherche a évolué vers plusieurs méthodes et perspectives menant à des séparations dans la base de connaissances sur la PA. Le but de la présente étude est de mettre à jour la plus récente revue de littérature sur les prédicteurs (antécédents) de la PA. Elle vise aussi à recadrer les connaissances actuelles sur les prédicteurs de la PA autour des liens démontrés empiriquement. Cette revue est majoritairement basée sur les travaux récents de Park et Park (2019), en plus d’ajouter des articles publiés entre 2016 et mars 2023. En somme, 40 articles empiriques ont été retenus et supportent un total de 38 prédicteurs de la PA. L’ensemble des liens empiriques sont présentés, catégorisés et affichés sous forme de tableau pour faciliter la comparaison, puis les tendances dans la littérature ainsi que des pistes de recherches futures sont discutées.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| 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".