MétaCan
Menu
Retour à la cohorte
Enregistrement W3093537575 · doi:10.1177/0961000620966651

Are you mentoring or coaching? Definitions matter

2020· article· en· W3093537575 sur OpenAlexaboutno aff
Lisa Hussey, Jennifer Campbell‐Meier

Notice bibliographique

RevueJournal of Librarianship and Information Science · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueMentoring and Academic Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoachingPsychologyProfessional developmentBridge (graph theory)Medical educationPedagogyMedicine

Résumé

récupéré en direct d'OpenAlex

New library and information science professionals, without previous experience in information organizations, are often left adrift, unsure how to apply theory or best practice to a new work environment. To bridge this gap, mentoring and coaching opportunities are often employed (or mandated) to provide new practitioners with required skills, knowledge, or networking. There are opportunities to harness implicit and explicit learning through experiences and interactions through mentoring and coaching. Definitions of mentoring and coaching in the profession are often used interchangeably when discussing the growth and development of an individual. This leads to the following questions: How do librarians define both mentoring and coaching? How do mentoring and coaching relate to professional development? To address the research question, 47 semi-structured interviews were conducted with librarians in Canada, New Zealand, and the United States between 2015 and 2016. Participants were asked about their mentoring and coaching experiences. During the interviews, participants were asked questions about their experiences as a mentor or mentee. In addition, participants were asked to define both “mentoring” and “coaching.” The authors used an inductive approach to data analysis, and interviews were coded by category.

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)0,022
score de la tête « metaresearch » (Gemma)0,058
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Incitatifs · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil0,118

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0220,058
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0050,020
Communication savante0,0110,016
Science ouverte0,0020,007
Intégrité de la recherche0,0060,007
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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 Opus0,119
Tête enseignante GPT0,316
Écart entre enseignants0,197 · 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.

Devis d'étudeThéorique ou conceptuel
DomaineIncitatifs
GenreCommentaire

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

En bref

Citations42
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Librarianship and Information ScienceMême sujetMentoring and Academic DevelopmentTravaux en français237 207