Facilitation of Value Creation in Professional Learning Networks
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
Professional learning networks (PLN) in Higher Education represent new social configurations for networked workplaces in which education, research and innovation can be combined. Here academic staff engages with others outside of their everyday organisational community. This study identifies and conceptualizes essential behaviours that facilitators of professional learning networks use to promote value creation of various kinds. The two-phase study started with an empirical field study on the value creation stories of 11 participants within 3 professional networks to investigate essential facilitator behaviours. A panel study including 30 researchers, lecturers and practitioners representing a wide range of learning and innovation networks, was conducted to validate and enrich the findings derived from the field study. From the field study 54 facilitator behaviours were identified. The panel study raised 68 complementary statements on essential facilitator behaviours. Qualitative data analysis lead to five themes of facilitator behaviour. Facilitators’ contributions to value creation in networked workplace contexts can be understood as the interplay of five foci of facilitative behaviour: 1. relationship, 2. space, 3. ownership, 4. direction, 5. result. Findings concerning facilitator behaviours are synthesised in an conceptualisation of the process dynamic of value creation in networked workplaces: The Facilitator Compass. This paper provides insight on what plays a major role in the success of professional networks: the way they are facilitated. While the role of a facilitator is acknowledged in literature and in practice, this study adds to the knowledge base by showing how academic staff can navigate for value creation in networked workplaces.
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 | 0,000 | 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) | 0,000 | 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 découle