Coaching education: Wake up to the new digital and AI coaching revolution!
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
In this article we argue that coach education has been through three distinct phases of development over the past three decades: 1990-2020. These phrases reflect changes in the coaching industry, which itself has seen significant change over the same period. These phases include ‘pre-profession’, reflected in ad hoc and non-qualification based training, ‘practice based professionalisation’, which saw a growth in small scale coach providers using professional body competencies, and ‘evidenced-based professionalisation’, which stimulated the growth in university based coach education programmes focused on evidenced based and research informed training. We argue that as we enter the Mid 2020’s we are witnessing a new shift in the coaching industry from ‘professionalisation’ to ‘productization’, with the emergence of large scale, digitally enabled, coaching providers. These new providers employ thousands of home working coaches and are focused on delivering coaching at scale to tens of thousands of workers in enterprise size organisations using digital channels. This industrial change calls for a need to rethink and modernise coach education. We must acknowledge the shift towards the management of industrial scale delivery and the focus on data, alongside a movement towards mastery of the technologies which have enabled coaches to work globally. We conclude by suggesting coach education should offer two new career pathways: one for those commissioning and managing coaching services and a second for those working in digital coaching firms in coaching service management, in roles such as Customer Success and Coach Relations, alongside a revitalised coach training which equips coaches to operate in digital environments through a mastery of the communication platforms, tools and apps which they employ and a deeper understanding of new technologies such as AI, VR and MR.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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