Sexual harassment bystander training effectiveness: Experimentally comparing 2D video to virtual reality practice.
Notice bibliographique
Résumé
Sexual harassment (hereafter SH) is a dysfunctional workplace behavior, resulting in negative outcomes for individuals, work groups, and organizations. Since #MeToo, companies have been innovating to increase the effectiveness of SH training by incorporating new content (e.g., bystander intervention skills) and new technology (e.g., virtual reality, hereafter VR). However, research has yet to determine the best practices or the effectiveness of these new innovations. The present study hypothesizes that SH bystander intervention training will be more effective when VR practice scenarios are used rather than two-dimensional (2D) video practice scenarios. We argue that the increased presence (i.e., the perception that people and places in a virtual simulation are real) afforded by VR should better replicate bystander experiences in real SH situations, thereby allowing trainees to develop bystander skills in a more realistic practice experience than 2D video provides. We experimentally test our hypothesis in a laboratory setting (N = 100). Our results show that the VR practice condition differed from the 2D video condition by increasing traineesâ intentions to engage in indirect, nonconfrontational, and widely applicable interventions (e.g., intervene by removing the target from the situation, approach the target to offer support later). However, our manipulation showed a negative effect on practice quantity (i.e., those in the VR condition explored fewer response options) and no effect on other operationalizations of training effectiveness (e.g., motivation to learn, knowledge, attitudes toward the training, intentions to directly confront the harasser, and intentions to formally report the harassment). Implications, limitations, and directions for future research are discussed.
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 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 | 0,000 |
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».