A Typological Look into Learning Cultures in Workplaces: From Malicious to Demanding
Notice bibliographique
Résumé
This study aimed at identifying learning cultures in various workplaces thorough an emergent grounded theory study. To gather data, in-depth interviews were conducted on 127 employees of small to large companies to reach a vast breadth and depth of data. For the purpose of inclusiveness, a maximum variation strategy was adopted for sampling to select participants purposively from manufacturing, knowledge-based, business and service companies. The data were thematically analyzed at two levels, namely initial and secondary coding. To establish credibility, three dominant strategies were continuously used as member check, peer debriefing and external auditing. Consequently, a tripartite typology emerged to represent learning cultures in various enterprises based on three criteria: management approach, peers' reaction, promotion expectancy. To sum up, in the malicious learning culture, bad working habits are learnt and shared by staff and commitment to work is gradually minimized to the lowest possible. In the deterministic learning culture, a neutral learning climate dominates the workplace as staff perceive no link between self-development and job promotion. Finally, in the demanding learning culture people may clearly view sensible links between competency development and job promotion, so they try their utmost to keep up with the latest developments in their field to avert the risk of demotion or job loss. The study suggests that if enterprises plan to achieve and keep a competitive edge, they should focus firmly on creating a demanding workplace learning culture.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».