Impact of online professional social networks on organizational attractiveness : a social capital perspective
Bibliographic record
Abstract
L'impact des réseaux sociaux numériques professionnels sur l’attractivité organisationnelle : une approche par la théorie du capital social Ce travail de recherche aborde la question de l’impact des réseaux sociaux numériques professionnels sur l’attractivité organisationnelle. Malgré la complexité et la diversité des études théorique et pratique portant sur la manière avec laquelle les membres des réseaux sociaux professionnels interagissent, les études portant sur l’attractivité organisationnelle et l’identification des membres dans le contexte d’e-recrutement demeurent limitées. Dans ce travail, le champ théorique qui a été mobilisé est la théorie du capital social. Il s’agit de mieux comprendre l'impact de l'identité sociale, la confiance sociale, bouche-à-oreille virtuel, le site des réseaux sociaux et le rôle médiateur de qualité d’information sur l’attractivité organisationnelle en tant qu’un employeur. La thèse propose un cadre d'analyse et conceptuel. En plus de la revue de la littérature, une étude complémentaire a été réalisée sur la base de 8 entretiens semi-directifs auprès de directeurs des ressources humaines afin de connaitre leur avis sur les motivations des entreprises qui intègrent l'utilisation des réseaux dans leurs pratiques de recrutement. Une étude quantitative a été menée à partir de 288 individus résidant en France et au Canada qui sont présents sur les réseaux sociaux numériques professionnels. Le but est de mesurer l’impact des facteurs identifiés dans la première étude qui influencent l’attractivité organisationnelle. Les résultats obtenus ont permis de comprendre l’importance du réseautage social, l’attractivité de site des réseaux sociaux ainsi que l’effet médiateur de qualité d’information sur l’attractivité organisationnelle, le prestige et l’intention des individus pour suivre des offres d’emploi sur ces plateformes.
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 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".