مدل سازی رهبری مبتنی بر علوم اعصاب در سازمان های آموزش محور

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 166

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PRM-11-1_001

تاریخ نمایه سازی: 27 اردیبهشت 1404

چکیده مقاله:

پژوهش حاضر با هدف مدل سازی رهبری مبتنی بر علوم اعصاب در سازمان های آموزش محور انجام شده است. این پژوهش از لحاظ هدف، کاربردی و از نظر اجرا، پژوهش آمیخته کیفی کمی محسوب می شود. در مرحله اول کیفی، از ۳۷ مقاله منتخب با روش کدگذاری، ابعاد و مولفه های اولیه استخراج شدند. در مرحله دوم کیفی، ابتدا ۱۵ نفر به صورت نمونه گیری هدفمند از مدیران حوزه ستادی اداره کل آموزش وپرورش استان لرستان و اساتید دانشگاه برای پنل دلفی خبرگان انتخاب شدند. اجماع نظری خبرگان طی دو مرحله دلفی و فازی سازی داده ها حاصل شد. پایایی و روایی در بخش کیفی با نظر خبرگان دلفی تایید شد و در پرسشنامه کمی از روش روایی صوری محتوایی و برای تعیین پایایی از ضریب آلفای کرونباخ استفاده شد. در بخش کمی، از جامعه آماری ۱۲۲۲ نفر، با استفاده از فرمول کوکران و روش تصادفی طبقه ­ای، ۲۹۲ نمونه انتخاب شدند. برای بررسی و تحلیل داده ها از روش مدل یابی معادلات ساختاری استفاده شده است. یافته های پژوهش نشان می دهد الگوی رهبری مبتنی بر علوم اعصاب از ۱۷ مولفه آینده نگری، اثربخشی سازمانی، مدیریت هیجانات، تفکر سطح بالا و... تشکیل شده است. نتایج این پژوهش نشان می دهد تمامی مولفه های رهبری مبتنی بر علوم اعصاب تایید می شوند و به طور کلی مدل از برازش مناسب برخوردار است.

کلیدواژه ها:

رهبری ، رهبری مبتنی بر علوم اعصاب ، علوم اعصاب ، آموزش و پرورش

نویسندگان

مهرداد خوشنام وند

گروه مدیریت دولتی، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران

وحید چناری

گروه مدیریت دولتی، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران

محمود دانیالی ده حوض

گروه حسابداری، واحد ایذه، دانشگاه آزاد اسلامی، ایذه، ایران

فواد مکوندی

گروه مدیریت دولتی، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران.

عزت الله کیانی

گروه مدیریت دولتی، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :