Counting Past Two: Engineers' Leadership Learning Trajectories
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Abstract: In the early 1950s, many science and technology focused organizations in the United States and Canada began to formalize a technical career track to accommodate the professional aspirations of engineers reluctant to abandon technical work for management [1-7]. While the resulting dual career track model—characterized by both managerial and technical ladders—remains dominant in human resource management theory, there is little evidence that engineers’ actual work experiences map on to two discrete domains [8, 9]. Our paper expands the dual track model by tracing the actual career paths and leadership learning experiences of 28 senior engineers in eight industries. We do this, not to better understand engineers’ career paths for their own sake, but rather to examine how engineers learn to lead in workplace contexts. In particular, we ask two organizationally related research questions: 1) What career paths do engineering leaders follow? and 2) How do they learn to lead along the way? After briefly reviewing the literature on engineering leadership development and engineers’ career paths, we introduce the situated learning perspective that grounds our work and present our findings in two parts. Part one characterizes six discrete paths—1) Company man, 2) Technical specialist, 3) Boundary spanner, 4) Entrepreneur, 5) Social impact change agent, and 6) Invisible engineer, and part two identifies salient leadership learning experiences that correspond with each path. We conclude by discussing the implications of our findings for engineering leadership educators.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle