Use It or Lose It? Predicting Learning Transfer of Relationship and Marriage Education Among Child Welfare Professionals
Notice bibliographique
Résumé
Objective Following a training in relationship and marriage education (RME), examine whether applying information at 2 months is associated with application at 6 months and how participants' confidence, utility, and self‐efficacy is associated with learning transfer and application at 2 months posttraining. Background Child welfare professionals are required to receive numerous trainings each year with the expectation of understanding, retaining, and transferring this learning into practice. Method With a sample of 324 child welfare professionals across 5 states who completed a 1‐day training in RME, we used structural equation modeling with participant self‐efficacy, utility, and confidence as predictors of application of RME concepts at 2 months posttraining. We also assessed how application of RME concepts at 2 months predicted self‐efficacy, confidence, and application at 6 months. Results Only the combined effect of both higher self‐efficacy and higher utility was related to applying concepts at 2 months. Those who apply the concepts at 2 months are more likely both to report higher confidence at 6 months and to apply the concepts at 6 months. Conclusions Evaluations of trainings should move beyond measurement of immediate learning outcomes to better understanding how to motivate immediate learning transfer. Implications If participants do not feel like they have actually learned new skills and, more importantly, do not implement the skills with individuals or clients soon after a training, they will be much less likely to use them in the future. A combination of learning concrete principles and skills with confidence they can implement the materials may result in future implementation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».