Factors Affecting the Affective Identity-Motivation to Lead (AI-MTL) of Lecturers: Case Study in X Unversity
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
This study aims to explore the effect of Leadership Self-Efficacy (LSE), Past Leadership Experience (PLE),Organizational Identification (OI), and Perceived Job Stress as an Academic Leader (PJSAL) on AffectiveIdentity-Motivation to Lead (AI-MTL) of lecturers at the X University simultaneously. This study also aims toexplore the role of LSE in mediating relationship between PLE and AI-MTL as well as between PJSAL and AI-MTL. A total of 125 X University lecturers participated in this study (male: 53, female: 72; age range between26-71 years old), with data collected through an online questionnaire. Data analysis then was performed using theHierarchical Multiple Regression and Mediation Analysis. The result shows that there is a simultaneous effect ofLSE, PLE, OI, and PJSAL, in predicting AI-MTL of lecturers at the X University, F(4, 120) = 63.520, p < .001.All variables can explain 67.9% of the AI-MTL variation, R2 = .679. Meanwhile, PJSAL does not provide anymeaningful contribution to the AI-MTL variation. In addition, this study also confirms the role of LSE inmediating the relationship between PLE and AI-MTL partially, c’ = 1.0508, p < .001, and fully mediating therelationship between PJSAL and AI-MTL, c’ = -.006, p > .05. These results emphasize the strong need to identifytalents by using those factors, especially when universities have difficulty in finding their prospective leaders.
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 | 0,001 | 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 | 0,000 | 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 découle