Finding fit in friction: the value of contrast in mentoring for leadership development
Notice bibliographique
Résumé
Purpose The dual purpose of this paper is (1) to describe and contextualize encounters between mentors' and mentees' differing needs in a leadership development programme and (2) to posit that practice negotiating frictional encounters constructs “good fit” between mentors and mentees and is a potentially important skill for leadership development. Design/methodology/approach The authors gathered data through qualitative, semi-structured interviews of mentors, mentees and mentoring programme staff participating in a mentoring programme for leadership development offered at a mid-sized Canadian business school. Using a grounded theory, interpretive analytical approach, the authors examine the notion of “good fit” and how it emerged in encounters between participants' diverse needs. Findings The authors identified participants' mentoring needs by eliciting their experiences of “good fit” in the focal leadership development programme. The findings revealed that encounters between contrasting needs fell into two categories: (1) the need for career advising versus leadership development and (2) the need for structured versus free-flowing conversation. Those encounters, in turn, generated opportunities for leadership development. Practical implications The findings have valuable implications for designing mentoring for leadership programmes. Namely, the authors propose pairing individuals with similar deeper-level qualities but diverse educational backgrounds and experiences to allow for practice in negotiating encounters with friction and contrast. Originality/value As an empirical study of mentoring for leadership development in practice, this study applies a dialectical approach to encounters across contrasting mentoring needs. In doing so, it locates leadership development potential in those frictional encounters.
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 | 0,033 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,040 |
| Communication savante | 0,016 | 0,021 |
| Science ouverte | 0,004 | 0,029 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 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 ».