Identifying key mentor characteristics for successful workplace mentoring relationships and programmes
Notice bibliographique
Résumé
Purpose The aims of this critical review are to identify the mentor characteristics that lead to superior mentoring outcomes and to provide human resources development (HRD) professionals with evidence-based suggestions for recruiting, selecting and training mentors to improve mentorship programme effectiveness. Design/methodology/approach The authors conducted a critical review of existing quantitative research on mentor characteristics that have an impact on effective mentoring. Findings The authors identified five key categories of mentor characteristics linked to successful mentoring outcomes: competency in context-relevant knowledge, skills and abilities; commitment and initiative; interpersonal skills; pro-social orientation and an orientation toward development, exploration and expansion. Research limitations/implications There is limited research on the characteristics of ineffective mentor characteristics, exclusion of articles that used qualitative research methods exclusively and how technology-based communication in mentoring may require different characteristics. Most of the included studies collected data in the United States of America, which may exclude other important mentor characteristics from other non-Western perspectives. Practical implications To ensure that there is both a sufficient pool of qualified mentors and mentors who meet the desired criteria, focus on both recruitment and training mentors is important. Incorporating the desired mentor characteristics into both of these processes, rather than just selection, will help with self-selection and development of these characteristics. Originality/value Despite the ongoing interest in identifying effective mentor characteristics, the existing literature is fragmented, making this challenging for HRD professionals to determine which characteristics are crucial for mentoring relationships and programme success. Addressing this practical need, this critical review synthesises the research literature and identifies patterns and inconsistencies. Based on the review, the authors provide evidence-based recommendations to enhance the recruitment, selection and training of mentors.
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 | 0,043 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».