Understanding motivations and behaviours of our influencers: What can pharmacists learn from their leaders?
Notice bibliographique
Résumé
Background: There has been considerable discussion regarding the "leadership crisis" in pharmacy, with concerns that insufficient numbers of pharmacists want to take on leadership roles in their own profession. This exploratory study of leaders and influencers in pharmacy was undertaken to characterize the motivations for and behaviours of titled and untitled leaders, in order to help other pharmacists learn from their experiences. Methods: Interviews with 28 individuals who self-identified or were described by others as leaders (with or without formal titles) and influencers in pharmacy were conducted using online platforms (e.g., Zoom, Teams). A semistructured interview guide was used and refined during the interviews. Data were analyzed using a constant comparative method to identify common themes. Results: While participants in this study all described different trajectories towards leadership or influencer roles, several common themes emerged, including 1) personal characteristics that enable leadership roles/activities, 2) environmental supports and drivers that propel leadership forward, 3) positive reinforcers that maintain momentum towards leadership aspirations and 4) general predictors of success as a leader/influencer in pharmacy. Discussion: To address the "leadership crisis" in pharmacy, it will be necessary to motivate and support individuals in assuming these roles. Findings from this study have highlighted the complex and individual pathways current leaders have undertaken to achieve these roles and have signposted ways in which organizations, managers and mentors can support nascent leadership aspirations in productive ways.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».