MétaCan
Menu
Retour à la cohorte
Enregistrement W7118468756 · doi:10.1177/14697874251356246

Microdose Leadership Development: Enhancing Leadership Identity and Self-Efficacy Through Short-Term Active Learning

2025· article· en· W7118468756 sur OpenAlexaff
Connie Deng, Duygu Biricik Gulseren, Nick Turner

Notice bibliographique

RevueActive Learning in Higher Education · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation, Leadership, and Health Research
Établissements canadiensUniversity of CalgaryYork University
Organismes subventionnairesnon disponible
Mots-clésMicroDoseLeadership styleLeadership developmentShared leadershipIdentity (music)Leadership studiesLeadershipQualitative researchServant leadershipActive learning (machine learning)

Résumé

récupéré en direct d'OpenAlex

Educational settings often operate in resource-constrained environments, limiting opportunities for leadership development. Most research focuses on long-term, resource-intensive programs (e.g., mentoring, coaching, leadership development courses), which restrict accessibility and scalability. This study evaluates a short-duration, student-centered leadership development initiative—the “Learning with Leaders” program—that engages higher education students in structured, 1-hr sessions with experienced leaders. Using qualitative data from 72 participant feedback surveys and testimonials, we examined the program’s impact on leadership knowledge, self-efficacy, and identity formation. Findings indicate that these microdose interventions enhance leadership knowledge, strengthen leader self-efficacy, and support identity formation through active social learning and reflective practices. These results suggest that short-term, active learning can complement traditional leadership development approaches by offering a scalable and resource-efficient alternative to long-term programs. This study contributes to leadership development theory by introducing the concept of microdose interventions and demonstrating their effectiveness in fostering leadership identity and self-efficacy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,366
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,217
Tête enseignante GPT0,455
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueActive Learning in Higher EducationMême sujetEducation, Leadership, and Health ResearchTravaux en français237 207