Trainers’ responses to errors matter in trainees’ learning from errors: evidence from two studies
Notice bibliographique
Résumé
Purpose Learning from errors is important for employees, particularly at early stages of their career. The purpose of this paper is to examine the influence of perceived trainer responses to errors on trainee learning from errors in a workplace setting. In Study 1, the authors test a model that examines the associations between perceived trainer responses to errors and trainee learning from errors, which are mediated by affective-motivational adaptivity. In Study 2, the authors further hypothesize that the link between perceived trainer responses and affective-motivational adaptivity is moderated by perceived error climate. Design/methodology/approach The authors test the hypotheses using data from 213 Swiss apprentices (Study 1) and 1,012 German apprentices (Study 2) receiving dual vocational training. Findings Study 1 suggests that negative trainer reaction impedes trainee learning from errors by impairing trainees’ affective-motivational adaptability. Trainer tolerance of errors and trainer support following errors were not related to trainee learning from errors. Study 2 indicates that perceived error climate is an important boundary condition that affects the relationship between trainer responses and trainee learning from errors. Originality/value This study contributes to research on learning from errors in three ways. First, it enriches the understanding regarding the role of trainers in enhancing learning from errors in organizations. Second, it extends research on learning from errors by investigating the interaction effects between perceived trainer responses and error climate. Third, it refines knowledge about the role of positive affect in learning from errors. Findings of this study also offer practical insights to trainers and managers regarding what they should do to encourage trainee learning from errors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».