Who is successful in career development? A person-centered approach to the study of career orientation profiles
Notice bibliographique
Résumé
Purpose This research examined the presence of career orientation profiles by investigating how young workers combined protean career orientation attitudes, motivation to learn to develop one's career and an optimistic future perspective on their career. It explored how a differentiated endorsement of these attitudes and motivation (i.e. career orientation profiles) were associated with the adoption of multiple career-enhancing behaviors, namely proactive career behaviors (i.e. career planning, networking and skill development) and learning behaviors with technologies. Design/methodology/approach Latent profile analysis was conducted among young individuals starting their career (N = 767) and found four distinct profiles. Findings The first profile revealed that 17.2% of workers in this sample were displaying low levels in protean career orientation, motivation to learn and optimistic future time perspective (profile 1). Two differentiated profiles showed either low levels of protean career orientation and high levels of motivation to learn (profile 2) or high levels of protean career attitudes and low levels of motivation to learn (profile 3). These profiles presented an average level of future time perspective and represented 13.8 and 40.6% of the sample. Finally, 28.4% of the sample showed high levels on all these variables (profile 4). Originality/value Only young workers who showed high levels on all these indicators also presented high levels of proactive behaviors and learning with technologies. The other three profiles were associated with suboptimal levels on these outcomes. Taken together, these results offer new insights into the psychological state of mind of workers most adapted to succeed in a modern career.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».