Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine how doctoral students experienced mentorship in their supervision context and how the mentorship they received impacted their well-being. Design/methodology/approach An interpretive phenomenological methodology was selected to frame the research design. This research approach seeks to study the individual lived experience by exploring, describing and analyzing its meaning. Findings The findings revealed three different quality levels of mentorship in this context authentic mentorship, average mentorship and below average/toxic mentorship. Doctoral students who enjoyed authentic mentorship experiences were more motivated and satisfied, students who reported average mentorships needed more attention and time from their supervisors, and students who had below average/toxic mentorships were stressed out and depleted. Research limitations/implications A limitation of this study is the lack of generalizability owing to the small sample size typical in qualitative studies. Another limitation is that this research did not include students who quit their programs because of dysfunctional supervision experiences. Practical implications Students and supervisors can use the findings to reflect on their beliefs and practices to evaluate and improve their performances. Also, authentic mentors can benefit from the findings to create a positive culture for all students to receive support. Finally, current supervisory policies can be reviewed in light of this paper’s findings. Social implications The findings show the nature of mentorship in an authoritative context, and how it can be toxic when power is misused. Originality/value This study provides new knowledge in relation to the different types of mentorship experiences that exist in doctoral supervision, and how each type can influence students’ well-being differently. Additionally, it reveals that doctoral students can graduate, even in the face of toxic mentorship, but at the expense of their well-being.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».