MétaCan
Menu
Retour à la cohorte
Enregistrement W2830323823 · doi:10.5465/ambpp.2018.15416abstract

Wunderkind Wisdom: Younger Advisers Discount Their Impact in Reverse Advising Contexts

2018· article· en· W2830323823 sur OpenAlexaff
Ting Zhang, Michael S. North

Notice bibliographique

RevueAcademy of Management Proceedings · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueManagement and Marketing Education
Établissements canadiensColumbia College
Organismes subventionnairesnon disponible
Mots-clésPsychologyAcademic advisingIntervention (counseling)PerceptionFace (sociological concept)Social psychologyMedical educationHigher educationSociologyPolitical scienceMedicine

Résumé

récupéré en direct d'OpenAlex

Common wisdom suggests that advice typically flows from an older expert to a younger novice. However, disruptions in technology and more fluid organizational hierarchies have made peer advising (i.e. giving advice to others of the same age) and reverse advising (i.e. giving advice to someone older with less expertise) more common. Six studies with MBA students and working professionals explore the psychology of advisers across these contexts. Although advisers believed they would be less effective in reverse advising and more effective in peer and traditional advising contexts, these perceptions were misguided: individuals in reverse advising contexts did not evaluate their advisers as less effective than did advisees in traditional and peer advising contexts. This perception-reality gap is driven by advisers’ perceptions about their own competency in advising others and others’ receptiveness to learning from them. Finally, we demonstrate a reflection-based intervention that mitigates advisers’ misguided beliefs. Taken together, the findings illustrate challenges advisers face in non-traditional advising contexts, and we discuss their theoretical and practical implications on the nascent study of reverse advising.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,085
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,085
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,006
Communication savante0,0070,008
Science ouverte0,0010,004
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,278
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetManagement and Marketing EducationTravaux en français237 207