Hasil untuk "Vocational guidance. Career development"

QIfan Zhang, Hao Wang, Xiangrong Qin et al.

Camouflaged object detection (COD) aims to identify targets that are highly blended with their backgrounds. Recent works have shown that the optical characteristics of polarization cues play a significant role in improving camouflaged object detection. However, most existing polarization-based approaches depend on complex visual encoders and fusion mechanisms, leading to increased model complexity and computational overhead, while failing to fully explore how polarization can explicitly guide hierarchical RGB representation learning. To address these limitations, we propose CPGNet, an asymmetric RGB-polarization framework that introduces a conditional polarization guidance mechanism to explicitly regulate RGB feature learning for camouflaged object detection. Specifically, we design a lightweight polarization interaction module that jointly models these complementary cues and generates reliable polarization guidance in a unified manner. Unlike conventional feature fusion strategies, the proposed conditional guidance mechanism dynamically modulates RGB features using polarization priors, enabling the network to focus on subtle discrepancies between camouflaged objects and their backgrounds. Furthermore, we introduce a polarization edge-guided frequency refinement strategy that enhances high-frequency components under polarization constraints, effectively breaking camouflage patterns. Finally, we develop an iterative feedback decoder to perform coarse-to-fine feature calibration and progressively refine camouflage prediction. Extensive experiments on polarization datasets across multiple tasks, along with evaluations on non-polarization datasets, demonstrate that CPGNet consistently outperforms state-of-the-art methods.

زین العابدین شجری, عادل صلواتی, مسعود بسطامی

زمینه و هدف: انسانیت‌زدایی سازمانی به وضعیتی اشاره دارد که در آن سازمان‌ها، به ویژه از طریق رفتارها و سیاست‌هایشان، ارزش و کرامت انسانی کارکنان خود را نادیده می‌گیرند. این امر می‌تواند منجر به کاهش انگیزه، بهره‌وری و رضایت شغلی کارکنان شود و حتی تأثیرات منفی بر سلامت روان آنها داشته باشد. این مطالعه با هدف شناسایی و تحلیل راهکارهای موثر بر مدیریت انسانیت‌زدایی سازمانی در بخش دولتی ایران انجام‌گرفت. روش‌: روش پژوهش آمیخته (کیفی-کمی) بود. جامعه‌‌ هدف‌ پژوهش خبرگان ‌آگاه به موضوع ‌تحقیق بودند که برحسب انتخاب ‌هدفمند در دسترس تا مرحله اشباع، تعداد 13 نفر بعنوان نمونه‌ تحقیق مشخص‌گردید. ابزار جمع‌آوری ‌داده‌ها مصاحبه‌های‌ نیمه ساختاریافته و پرسشنامه‌های مقایسه زوجی بود، داده‌های‌کیفی جهت‌ شناسایی راهکارهای موثر بر مدیریت انسانیت‌زدایی سازمانی با شیوه تحلیل -تماتیک مبتنی بر مدل براون ‌و کلارک و داده‌های کمی با استفاده از تکنیک ‌دیمتل تحلیل شد و برای این منظور از نرم‌افزارهای Maxqda10 و Excel2016 استفاده گردید. یافته‌ها: بعداز تحلیل داده‌ها، 200 مفهوم‌ اولیه درقالب 35 تم‌ فرعی و 15 تم ‌اصلی موثر بر مدیریت انسانیت‌زدایی سازمانی دسته‌بندی شدند. نتایج نشان داد، راهکار «تقویت مشارکت» بیشترین اثرگذاری را بر سایر راهکار‌ها داراست، در مقابل راهکار «توسعه‌ شغل» کمترین‌ مقدار را به خود اختصاص داده ‌است که به‌ شدت تحت ‌تاثیر راهکار‌های دیگر قرار دارد. نتیجه‌گیری: تقویت مشارکت کارکنان در سازمان، نقش حیاتی در موفقیت و پویایی آن دارد. مشارکت فعال کارکنان منجر به افزایش بهره‌وری، نوآوری و رضایت شغلی می‌شود و در نهایت به بهبود عملکرد کلی سازمان کمک می‌کند.

Kostas Triaridis, Alexandros Graikos, Aggelina Chatziagapi et al.

Diffusion models, despite their impressive demos, often produce hallucinatory samples with structural inconsistencies that lie outside of the support of the true data distribution. Such hallucinations can be attributed to excessive smoothing between modes of the data distribution. However, semantic interpolations are often desirable and can lead to generation diversity, thus we believe a more nuanced solution is required. In this work, we introduce Dynamic Guidance, which tackles this issue. Dynamic Guidance mitigates hallucinations by selectively sharpening the score function only along the pre-determined directions known to cause artifacts, while preserving valid semantic variations. To our knowledge, this is the first approach that addresses hallucinations at generation time rather than through post-hoc filtering. Dynamic Guidance substantially reduces hallucinations on both controlled and natural image datasets, significantly outperforming baselines.

Qixin Wang, Dawei Wang, Kun Chen et al.

In recent years, recommendation systems have evolved from providing a single list of recommendations to offering a comprehensive suite of topic focused services. To better accomplish this task, conversational recommendation systems (CRS) have progressed from basic retrieval augmented LLM generation to agentic systems with advanced reasoning and self correction capabilities. However, agentic systems come with notable response latency, a longstanding challenge for conversational recommendation systems. To balance the trade off between handling complex queries and minimizing latency, we propose AdaptJobRec, the first conversational job recommendation system that leverages autonomous agent to integrate personalized recommendation algorithm tools. The system employs a user query complexity identification mechanism to minimize response latency. For straightforward queries, the agent directly selects the appropriate tool for rapid responses. For complex queries, the agent uses the memory processing module to filter chat history for relevant content, then passes the results to the intelligent task decomposition planner, and finally executes the tasks using personalized recommendation tools. Evaluation on Walmart's real world career recommendation scenarios demonstrates that AdaptJobRec reduces average response latency by up to 53.3% compared to competitive baselines, while significantly improving recommendation accuracy.

Cristian Perez Jensen, Seyedmorteza Sadat

While classifier-free guidance (CFG) is essential for conditional diffusion models, it doubles the number of neural function evaluations (NFEs) per inference step. To mitigate this inefficiency, we introduce adapter guidance distillation (AGD), a novel approach that simulates CFG in a single forward pass. AGD leverages lightweight adapters to approximate CFG, effectively doubling the sampling speed while maintaining or even improving sample quality. Unlike prior guidance distillation methods that tune the entire model, AGD keeps the base model frozen and only trains minimal additional parameters ($\sim$2%) to significantly reduce the resource requirement of the distillation phase. Additionally, this approach preserves the original model weights and enables the adapters to be seamlessly combined with other checkpoints derived from the same base model. We also address a key mismatch between training and inference in existing guidance distillation methods by training on CFG-guided trajectories instead of standard diffusion trajectories. Through extensive experiments, we show that AGD achieves comparable or superior FID to CFG across multiple architectures with only half the NFEs. Notably, our method enables the distillation of large models ($\sim$2.6B parameters) on a single consumer GPU with 24 GB of VRAM, making it more accessible than previous approaches that require multiple high-end GPUs. We will publicly release the implementation of our method.

Wenyu Mao, Shuchang Liu, Haoyang Liu et al.

Diffusion models (DMs) have emerged as promising approaches for sequential recommendation due to their strong ability to model data distributions and generate high-quality items. Existing work typically adds noise to the next item and progressively denoises it guided by the user's interaction sequence, generating items that closely align with user interests. However, we identify two key issues in this paradigm. First, the sequences are often heterogeneous in length and content, exhibiting noise due to stochastic user behaviors. Using such sequences as guidance may hinder DMs from accurately understanding user interests. Second, DMs are prone to data bias and tend to generate only the popular items that dominate the training dataset, thus failing to meet the personalized needs of different users. To address these issues, we propose Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation (DiQDiff), which aims to extract robust guidance to understand user interests and generate distinguished items for personalized user interests within DMs. To extract robust guidance, DiQDiff introduces Semantic Vector Quantization (SVQ) to quantize sequences into semantic vectors (e.g., collaborative signals and category interests) using a codebook, which can enrich the guidance to better understand user interests. To generate distinguished items, DiQDiff personalizes the generation through Contrastive Discrepancy Maximization (CDM), which maximizes the distance between denoising trajectories using contrastive loss to prevent biased generation for different users. Extensive experiments are conducted to compare DiQDiff with multiple baseline models across four widely-used datasets. The superior recommendation performance of DiQDiff against leading approaches demonstrates its effectiveness in sequential recommendation tasks.

T. Alexander Puutio

Prevailing career and education systems continue to reward early specialization and deep expertise within narrow domains. While such depth promotes efficiency, it may also limit adaptability in complex and rapidly changing environments. Building on research showing that variability in training inputs enhances learning outcomes across cognitive and behavioral domains, this study explores whether the same principle applies to executive performance. Using an original dataset of 650 CEOs leading firms that together represent roughly 85% of US market capitalization, we construct a composite Breadth Index capturing cross-domain educational and professional breadth. Preliminary analyses reveal that firms led by higher-breadth CEOs outperform their industry peers by an average of 9.8 percentage points over a three-year window. Regression results indicate that each one-point increase on the five-point Range Index corresponds to a 1.8-point gain in abnormal returns (p < 0.03), with effects remaining robust across industries, firm sizes, and CEO age groups. These early findings suggest that leadership breadth, defined as experience spanning multiple functions, disciplines, and sectors, is positively associated with firm-level performance. While the dataset remains under validation, the pattern observed supports the emerging view that as specialization deepens, the marginal value of lateral insight rises. Breadth, in this light, functions as a form of adaptive capital; it enhances leaders' capacity for integrative reasoning, organizational translation, and strategic flexibility in uncertain environments.

Junyou Wang, Zehua Chen, Binjie Yuan et al.

The design of diffusion-based audio generation systems has been investigated from diverse perspectives, such as data space, network architecture, and conditioning techniques, while most of these innovations require model re-training. In sampling, classifier-free guidance (CFG) has been uniformly adopted to enhance generation quality by strengthening condition alignment. However, CFG often compromises diversity, resulting in suboptimal performance. Although the recent autoguidance (AG) method proposes another direction of guidance that maintains diversity, its direct application in audio generation has so far underperformed CFG. In this work, we introduce AudioMoG, an improved sampling method that enhances text-to-audio (T2A) and video-to-audio (V2A) generation quality without requiring extensive training resources. We start with an analysis of both CFG and AG, examining their respective advantages and limitations for guiding diffusion models. Building upon our insights, we introduce a mixture-of-guidance framework that integrates diverse guidance signals with their interaction terms (e.g., the unconditional bad version of the model) to maximize cumulative advantages. Experiments show that, given the same inference speed, our approach consistently outperforms single guidance in T2A generation across sampling steps, concurrently showing advantages in V2A, text-to-music, and image generation. Demo samples are available at: https://audiomog.github.io.

Cheng Jin, Zhenyu Xiao, Chutao Liu et al.

Classifier-free guidance (CFG) has emerged as a pivotal advancement in text-to-image latent diffusion models, establishing itself as a cornerstone technique for achieving high-quality image synthesis. However, under high guidance weights, where text-image alignment is significantly enhanced, CFG also leads to pronounced color distortions in the generated images. We identify that these distortions stem from the amplification of sample norms in the latent space. We present a theoretical framework that elucidates the mechanisms of norm amplification and anomalous diffusion phenomena induced by classifier-free guidance. Leveraging our theoretical insights and the latent space structure, we propose an Angle Domain Guidance (ADG) algorithm. ADG constrains magnitude variations while optimizing angular alignment, thereby mitigating color distortions while preserving the enhanced text-image alignment achieved at higher guidance weights. Experimental results demonstrate that ADG significantly outperforms existing methods, generating images that not only maintain superior text alignment but also exhibit improved color fidelity and better alignment with human perceptual preferences.

Rosie Alexander, Melyssa Fuqua

AbstractExisting career guidance research and practice is based on urban, or metrocentric, models and assumptions, which are problematic for rural communities. In the field of education, researchers have argued that ‘ruraling’ scholarship can be beneficial in challenging existing metrocentric models and opening new ways of imagining practice. In this paper, we apply the concept of ‘ruraling’ to the field of career guidance, arguing that rural scholarship can reveal implicit spatial assumptions in existing models and approaches, challenge neoliberal and metrocentric discourses and re-envision career guidance in ways that are more inclusive and spatially sensitive.

Leena Itkonen, Toni Kosonen

This research examines the types of social representations that university students conceive concerning career planning. Our study draws from an extensive dataset comprising 999 short descriptions that students provided. The data analysis employed a thematic and inductive approach, resulting in the identification of six distinct social representations of career planning: a) matching, b) securing employment, c) embracing the field, d) self-realisation, e) strategising and f) coping with uncertainty. These social representations provide new insights into how individuals conceive of and navigate their career paths. This study offers significant contributions to the understanding of everyday perspectives on career planning in the higher education context. These diverse representations underpin students’ thoughts, behaviours and actions, which also can be instrumental for career counsellors. Notably, when career planning is represented as coping with uncertainty, it redirects the focus of career counselling from traditional self-oriented activities, opportunity exploration and decision-making, towards addressing inherent challenges of uncertainty itself. Abstrakti Tämä tutkimus tarkastelee yliopisto-opiskelijoiden urasuunnitteluun liittyviä sosiaalisia representaatioita. Tutkimuksemme pohjautuu laajaan aineistoon, jossa 999 opiskelijaa kertoi syitä sille, miksi he ovat tyytyväisiä, tyytymättömiä tai epävarmoja omasta alavalinnastaan. Aineiston analyysissä käytettiin temaattista ja induktiivista lähestymistapaa, jonka tuloksena tunnistettiin kuusi erilaista sosiaalista representaatiota urasuunnittelusta: a) alan ja itsen yhteensopivuus; b) työllistymisen varmistaminen; c) alaa kohti kurkotteleminen; d) itsensä toteuttaminen; e) strategioiden laatiminen ja f) epävarmuuden kanssa selviytyminen. Tutkimus tarjoaa oman panoksensa korkeakoulutuksen kontekstissa tapahtuvan urasuunnittelun ymmärtämiseen. Urasuunnittelun sosiaaliset representaatiot vaikuttavat opiskelijoiden ajatuksiin, käyttäytymiseen ja toimintaan. Ne tarjoavat näkökulmia siihen, miten eri tavoin opiskelijat käsittävät urasuunnittelun ja suunnistavat urapolullaan. Tämän ymmärtäminen on hyödyllistä myös uraohjaajille. Erityisesti silloin, kun urasuunnittelu nähdään epävarmuuden kanssa selviytymisenä, se ohjaa uraohjauksen painopistettä perinteisemmistä itsetuntemuksen lisäämisestä, mahdollisuuksien kartoituksesta ja päätöksenteon tukemisesta kohti epävarmuuden työstämistä. Avainsanat: Urasuunnittelu; sosiaaliset representaatiot; yliopistoopiskelijat; korkeakoulutus; epävarmuus

Anubhav Jain, Yuya Kobayashi, Takashi Shibuya et al.

Diffusion models are prone to exactly reproduce images from the training data. This exact reproduction of the training data is concerning as it can lead to copyright infringement and/or leakage of privacy-sensitive information. In this paper, we present a novel perspective on the memorization phenomenon and propose a simple yet effective approach to mitigate it. We argue that memorization occurs because of an attraction basin in the denoising process which steers the diffusion trajectory towards a memorized image. However, this can be mitigated by guiding the diffusion trajectory away from the attraction basin by not applying classifier-free guidance until an ideal transition point occurs from which classifier-free guidance is applied. This leads to the generation of non-memorized images that are high in image quality and well-aligned with the conditioning mechanism. To further improve on this, we present a new guidance technique, opposite guidance, that escapes the attraction basin sooner in the denoising process. We demonstrate the existence of attraction basins in various scenarios in which memorization occurs, and we show that our proposed approach successfully mitigates memorization.

Jiwan Hur, Dong-Jae Lee, Gyojin Han et al.

Masked generative models (MGMs) have shown impressive generative ability while providing an order of magnitude efficient sampling steps compared to continuous diffusion models. However, MGMs still underperform in image synthesis compared to recent well-developed continuous diffusion models with similar size in terms of quality and diversity of generated samples. A key factor in the performance of continuous diffusion models stems from the guidance methods, which enhance the sample quality at the expense of diversity. In this paper, we extend these guidance methods to generalized guidance formulation for MGMs and propose a self-guidance sampling method, which leads to better generation quality. The proposed approach leverages an auxiliary task for semantic smoothing in vector-quantized token space, analogous to the Gaussian blur in continuous pixel space. Equipped with the parameter-efficient fine-tuning method and high-temperature sampling, MGMs with the proposed self-guidance achieve a superior quality-diversity trade-off, outperforming existing sampling methods in MGMs with more efficient training and sampling costs. Extensive experiments with the various sampling hyperparameters confirm the effectiveness of the proposed self-guidance.

W. Garrett Levine, Konstantin Gerbig, Emma M. Louden et al.

Since 2015, the Emerging Researchers in Exoplanetary Science (ERES) conference has provided a venue for early-career researchers in exoplanetary astronomy, astrophysics, and planetary science to share their research, network, and build new collaborations. ERES stands out in that it is spearheaded by early-career researchers, providing a unique attendance experience for the participants and a professional experience for the organizers. In this Bulletin, we share experiences and lessons learned from the perspective of the organizing committee for the 2023 edition of ERES. For this eighth ERES conference, we hosted over 100 participants in New Haven, CT, for a three-day program. This manuscript is aimed primarily toward groups of early-career scientists who are planning a conference for their fields of study. We anticipate that this Bulletin will continue dialogue within the academic community about best practices for equitable event organization.

صدف خلیجیان, حمید حیدری, نوشین پردلان et al.

این پزوهش با هدف بررسی نقش تکنولوژی در برطرف کردن نیاز‌های آموزشی سازمان‌ها انجام شد. روش این پژوهش آمیخته(کمی و کیفی) و جامعه آماری آن کلیه شرکت‌های خصوصی در استان تهران بود که یک شرکت به صورت نمونه گیری در دسترس انتخاب شد. گروه نمونه در بخش کیفی تعداد 17 نفر از متخصصان(اساتید دانشگاه و مدیران شرکت)، ودر بخش کمی تعداد 30 نفر از کارمندان بودند که به صورت تصادفی در دو گروه آزمایش(15نفر) و کنترل(15 نفر) قرار گرفتند. نتایج یافته‌های بخش کیفی نشان داد که سازمان‌ها در بخش سنجش دارای شش مشکل هستند که عبارتند از عدم مهارت کافی در سنجش، فاصله زیاد سنجش، هزینه ها، مشکلات روانی ، امکانات، نظم دهی به حجم بالا است و در بخش آموزش دارای پنج مشکل هستند که عبارتند از هزینه‌های آموزش، عدم تخصص آموزش دهنده، نداشتن شرایط آموزش، متناسب نبودن آموزش و عدم نظارت. در این پژوهش برای انتخاب نمونه و آموزش در بخش کمی ابتدا با استفاده از نرم افزارهای به روز در حیطه سلامت روان و هوش هیجانی سنجش صورت پذیرفت و سپس جلسات آموزشی متناسب با شرایط افراد به صورت برخط صورت گرفت. نتایج یافته‌های بخش کمی نشان داد که دوره‌های آموزشی هوش هیجانی متناسب با تکنولوژی(برخط) توانسته است که سلامت روان افراد را بهبود ببخشد و همچنین مشکلات سنجش و آموزش را در سازمان از نظر شرکت کنندگان به صورت معناداری کاهش دهد. از نتایج یافته‌های این پژوهش می‌توان نتیجه گرفت که استفاده از تکنولوژی می‌تواند نقش مهمی در سنجش، ارزیابی کارکنان و در نتیجه آموزش‌های سازمانی لازم داشته باشد.

Joana Carneiro Pinto

Abstract Objective: This study presents the results of an internal validation of a successful transition and adaptation preparation for a post-career career program for senior adults. Method: A total of 10 judges, with in-depth knowledge in the field of vocational guidance and career development, were asked to decide about the congruence between a set of activities and the dimensions and the development tasks that constitute the rationale of the program. Results: Out of the total of 11 activities that make up the core of the program, eight were unanimously considered to be adequate for the intervention’s objectives, that is, in direct relation to the theoretical rationale, namely the dimensions and relevant development tasks. Conclusion: The results obtained demonstrate a good acceptance of the program by the judges to whom it was presented.

زینب السادات شیرنژاد, امیرحسین علی بیگی, معمومه تقی بیگی

هدف کلی این پژوهش آمیخته بررسی توسعه شرکت‌های دانش‌بنیان کشاورزی در استان کرمانشاه بود. جامعه فاز کیفی تحقیق مدیران ‌عامل، کارشناسان و خبرگان شرکت های دانش بنیان کشاورزی بودند که به روش نمونه‌گیری هدفمند- گلوله برفی تعداد 16 نفر از آنها انتخاب شدند. تحلیل داده های فاز کیفی با استفاده از دو مرحله کدگذاری باز و محوری انجام شد که به شناسایی31 مانع و 32 تسهیل‌کننده‌ در قالب پنج دسته عوامل فردی، نهادی، تخصصی، تعاملی-ارتباطی و مدیریتی انجامید. جامعه آماری فاز کمی پژوهش، افراد دارای شرکت در زمینه‌های مختلف کشاورزی در مراکز رشد و پارک علم و فناوری استان کرمانشاه به تعداد 61 نفر بودند. داده ها ی این فاز به صورت تمام شماری گردآوری شد. تحلیل داده‌ها با استفاده از تحلیل میدان نیرو و از طریق نرم افزارهای SPSSwin20 ,Pathmakerver5.5 انجام شد. بر اساس نتایج، برآیند امتیاز نیروهای تسهیل‌کننده در چهار بعد فردی، تخصصی، تعاملی-ارتباطی و مدیریتی بیش از موانع بود. با توجه به قوی بودن نیروهای تسهیل کننده می‌توان در آینده شاهد توسعه شرکت های دانش بنیان کشاورزی بود. در بعد نهادی برآیند امتیاز موانع قوی تر بود. بنابراین، لازم است موانع موجود در این عامل از طریق برنامه ریزی و مدیریت صحیح مرتفع گردد. برآیند امتیاز موانع از طریق شناسایی اقدامات اجرایی و بررسی اثرات اعمال فرضی اقدامات، کاهش یافت. بر اساس این اقدامات می توان برای رفع موانع برنامه‌ریزی کرد.

مهدی باشتی, طهمورث سهرابی, حمید طبایی زاده فشارکی

این پژوهش با هدف تبیین مدیریت دانش با رویکرد تحقیق، توسعه و نوآوری مبتنی بر روش نظریه داده بنیاد انجام شد. به منظور الگوسازی مفهومی پارادایمی از رهیافت اشتراوس و کوربین در روش‌شناسی نظریه داده بنیاد استفاده شد. ابزار تحقیق در این مرحله، مصاحبه نیمه‌ساختاریافته با گروهی از مطلعان کلیدی بود که به روش هدفمند انتخاب شدند. در نتیجه، 53 مفهوم و 24 مقوله استخراج و در قالب 6 محور نظریه داده بنیاد گروه‌بندی شدند. بر اساس نتایج این مرحله، ابزار تحقیق در قالب یک پرسشنامه برای مرحله دوم که به صورت پیمایشی انجام شد، توسعه یافت. برای انتخاب نمونه آماری، 90 نفر از مدیران و کارشناسان حوزه سیمان کشور به صورت در دسترس انتخاب شدند. در این مرحله، از روش مدل‌سازی معادلات ساختاری به کمک نرم‌افزار اسمارت پی ال اس، بهره گرفته شد و برای سنجش روایی از روایی محتوا، واگرا و همگرا و برای پایایی از روش آلفای کرونباخ استفاده شد. بر مبنای این تحلیل‌ها، میزان تاثیر شرایط علی بر پدیده اصلی برابر با ۷۰۴/۰، میزان تاثیر پدیده اصلی بر راهبرد برابر با ۸۱۳/۰، میزان تاثیر شرایط زمینه‌ای بر راهبرد برابر با ۷۴۷/۰، میزان تاثیر شرایط مداخله‌گر بر راهبرد برابر با ۵۵۹/۰ و میزان تاثیر راهبرد بر پیامد برابر با ۷۵۳/۰ محاسبه شد. یافته‌ها روی‌همرفته نشان‌دهنده برازش الگوی مفهومی مدیریت دانش با رویکرد تحقیق، توسعه و نوآوری می‌باشد.

Melinde Coetzee, Headman N. Mbiko

Background: Empirical research on career-adaptive attributes that elucidate the dynamic interplay between resources of career self-reactiveness and career self-reflectiveness in career human agency theory (CHAT) is scant. Objectives: The objective of the study was to assess the simultaneous interplay between constructs of career self-reactiveness (career adaptability, psychological capital, career agility) and constructs of career self-reflectiveness (career resilience and career satisfaction). Methods: The cross-sectional canonical correlational design of the study involved a random sample of black African employees (N = 412) in a South African public service government organisation. Results: Adaptive readiness, goal-directed adaptability and career forethought and intentionality in goal achievement emerged as four common synthetic themes that illustrated the mutually reinforcing dynamics among the study variables. Conclusion: The reciprocal associations among the study variables offer promising support for career counselling interventions that apply the CHAT. The findings may guide the use of career assessments for career-adaptive behaviours that help cultivate career human agency. Contribution: The study contributed to career development in the African context by enriching understanding of the role of individuals’ adaptive readiness, goal-directed adaptability, career forethought and career intentionality in agentic career goal achievement.

ودیعه چراغعلی, عباس خمسه, رضا رادفر

بحران‌های جهانی، توسعه اقتصاد ملی را به یک مشکل اساسی تبدیل کرده‌است. یکی از راه‌های دستیابی به توسعه اقتصادی، بهبود مکانیسم‌های تجاری‌سازی تحقیقات علمی است. با نگاهی به عملکرد پژوهش‌های کشاورزی در سال‌های گذشته می‌توان دریافت که برخلاف توانمندی‌های موجود در توسعه فناوری، بسیاری از آنها در امر تجاری‌سازی فناوری ناموفق عمل کرده‌اند. هدف این پژوهش طراحی مدلی برای تجاری‌سازی یافته‌های پژوهشی موسسات تحقیقاتی کشاورزی در قالب مدل راهبردی بوده‌است. پژوهش حاضر ازنظر هدف کاربردی و از لحاظ روش اجرا جزء تحقیقات توصیفی- پیمایشی و از حیث جمع‌آوری داده‌ها کیفی است. این پژوهش در چهارچوب رویکرد کیفی و با به کارگیری روش نظریه داده‌بنیاد انجام گرفته‌است. جامعه آماری این پژوهش اعضای هیئت علمی موسسات تحقیقات کشاورزی وکسب و کارهای تجاری کشور در حوزة تجاری‌سازی بوده‌اند. نمونه‌گیری با روش گلوله برفی و تا زمان اشباع نظری دنبال شد که در مجموع 16 نفر از متخصصان را شامل گردید. در این پژوهش، از مصاحبه نیمه ساختاریافته به عنوان ابزار گردآوری داده‌ها و از رویکرد مبتنی بر نظریه داده‌بنیاد و نرم افزار ATLAS.ti 8 استفاده شد. با توجه به یافته‌های پژوهش در بخش کیفی، 212 کد در قالب 24 مقوله شناسایی گردید که در قالب شرایط علی، شرایط زمینه‌ای، عوامل مداخله‌گر، راهبردها و پیامدها قرار گرفتند. یافته‌های پژوهش نشان داد که مدیریت، قوانین و مقررات و آینده نگری و توسعه زیرساخت از مهمترین عوامل تجاری‌سازی طرح‌های پژوهشی تحقیقاتی هستند.