Transfer of training through productive networking
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
Developing strategies for successfully transferring knowledge, skills and attitudes from a training programme to the workplace continues to be a key challenge facing organisations. Studies have found that, in general, employees transfer less than 10% of the training they acquire to their workplaces (Georgenson, 1982; Kelly, 1982; McGuire, 2014). Fitzpatrick (2001) and Saks (2002) argue that research regarding transfer of training could be complex because the figure of 10% has never been proven scientifically. Based on this study, we propose that the transfer of training models limit the transfer process because they focus solely on the whys and the why nots of the 10%, limiting the discussion to only the transfer of knowledge, skills, and attitudes from a training programme to a job. We contend that if the transfer of training research and discussion is broadened to include the remaining 90%, which is viewed as a lost job efficiency, one might discover some additional determinants contributing to the transfer of training. Therefore, this study is based on a new determinant called productive networking. In the study, interviews were used as a research instrument to investigate the significance of productive networking in the transfer of training process. Two bodies of literature were reviewed for the study. They were the frameworks of the transfer process set forth by Baldwin and Ford (1988) and Holton (2008), and the theories that support training transfer in organisations. The study determined that productive networking among trainees was a critical factor in the successful transfer of training.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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