Notice bibliographique
Résumé
If one thing has been made clear in the events of 2020, it is that organizations, teams, and individuals must continually adapt to change. In other words, the need for continual learning is in high demand. This session will focus on the understudied role of the manager in leading employee learning. In the first presentation, Rigolizzo, Zhu & Cruz evaluate the role that perceptions of school have on employees’ motivation to engage in learning behaviors. Traditionally, when managers consider employees’ time in school, they focus solely on the degree achieved and the content of the learning. However, this empirical study demonstrates that, in school, individuals develop attitudes towards learning that influence their behavior in learning tasks years later. The second presentation provides new insight into the managerial factors that impact effective team feedback. Team feedback research has traditionally focused on feedback valence as a predictor of team outcomes, though with inconclusive and contradictory findings. In this paper, we propose that the informational content of the feedback may play a vital role in the effect of constructive feedback on teams. Finally, Kayes & Bürgi-Tian will present a paper that explores learning-based experiences, which are attitudes that individual employees associate with progress and frustration in learning situations. We use qualitative and quantitative data on learning-related experience ‘episodes’ to provide a better understanding of experiences that are associated with progress on learning and frustration with learning to provide insights into how to sustain learning and improvement efforts. Leading Employee Learning Overview Presenter: Michele Rigolizzo; Montclair State U. The Lasting Effects of School Experiences: How perceptions of school impact managers’ learning Presenter: Michele Rigolizzo; Montclair State U. Presenter: Zhu Zhu; Montclair State U. Presenter: Adrianna Cruz; Montclair State U. Constructive Feedback: When Leader Agreeableness Stifles Team Information Processing Presenter: Jean-François Harvey; HEC Montreal Presenter: Paul Isaac Green; U. of Texas at Austin Learning-based Experiences at Work: How Leaders can Enhance Employee Learning Presenter: D Christopher Kayes; George Washington U. Presenter: Jing Tian; George Washington U.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,149 | 0,042 |
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 ».