Five hats of effective leaders: teacher, mentor, coach, supervisor and sponsor
Notice bibliographique
Résumé
BACKGROUND/AIM: Teaching, mentoring, coaching, supervising and sponsoring are often conflated in the literature. In this reflection, we clarify the distinctions, the benefits and the drawbacks of each approach. We describe a conceptual model for effective leadership conversations where leaders dynamically and deliberately 'wear the hats' of teacher, mentor, coach, supervisor and/or sponsor during a single conversation. METHODS: As three experienced physician leaders and educators, we collaborated to write this reflection on how leaders may deliberately alter their approach during dynamic conversations with colleagues. Each of us brings our own perspective and lens. RESULTS: We articulate how each of the 'five hats' of teacher, mentor, coach, supervisor and sponsor may help or hinder effectiveness. We discuss how a leader may 'switch' hats to engage, support and develop colleagues across an ever-expanding range of contexts and settings. We demonstrate how a leader might 'wear the five hats' during conversations about career advancement and burn-out. CONCLUSION: Effective leaders teach, mentor, coach, supervise and sponsor during conversations with colleagues. These leaders employ a deliberate, dynamic and adaptive approach to better serve the needs of their colleagues at the moment.
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 | 0,015 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,042 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».