VAN INNOVATIENOVICE NAAR INNOVATIE- EXPERT VIA …€¦ · Hoe we innovatiekennis kunnen stimuleren...

VAN INNOVATIENOVICE NAAR INNOVATIE-

EXPERT VIA SIMULATIETRAINING: EEN

ONDERZOEK NAAR HET VERGELIJKEN EN

CONFRONTEREN VAN MENTALE

MODELLEN OVER INNOVATIE

Julie Demyttenaere

Studentennummer: 01402770

Promotor: Prof. dr. Frederik Anseel

Begeleiding: Saar Van Lysebetten

Masterproef II voorgelegd voor het behalen van de graad master in de richting Psychologie,

afstudeerrichting Bedrijfspsychologie en Personeelsbeleid

Academiejaar: 2017-2018

VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE

Woord vooraf

Deze masterproef is de laatste stap tot het behalen van mijn diploma Bedrijfspsychologie

en Personeelsbeleid. Het resultaat van deze masterproef zou ik niet behaald hebben zonder de

hulp en medewerking van een aantal personen. Daarom wil ik hen hiervoor ook speciaal

bedanken.

In de eerste plaats wil ik graag mijn grote dank betuigen aan mijn begeleidster, Saar Van

Lysebetten. Vooreerst omdat ik mocht instappen in een deel van haar doctoraatsonderzoek en

gebruik mocht maken van haar verzamelde data en brede kennis omtrent het onderzoekdomein.

Daarnaast ben ik ook dankzij haar motivatie, advies en begeleiding tot dit resultaat kunnen komen.

In de tweede plaats wil ik ook m’n ouders bedanken om mij überhaupt de kans te geven deze

studies te kunnen aanvatten en voor hun steun en toeverlaat doorheen de voorbije jaren. Verder

wil ik ook mijn promotor, Prof. dr. Frederik Anseel bedanken voor de kans om mij te mogen

verdiepen in dit onderwerp. Als laatste kan de bedanking voor mijn vrienden ook niet ontbreken.

In het bijzonder mijn autogenoten die stil moesten zijn tijdens het coderen op weg naar training.

Soms was het zwoegen in de weinige vrije tijd die ik naast de volleybal heb, om aan deze

masterproef verder te schrijven, maar doorheen dit proces kreeg ik steeds meer interesse in het

onderwerp. Céline Cortvriendt, Annelore Blondeel, Jen Steelant en Liesbeth Verhamme wil ik

ook hartelijk danken voor het aandachtig nalezen van deze masterproef en alle andere vrienden

die op weg naar dit resultaat een grote morele steun vormden.

Julie Demyttenaere

Tielt, 18 mei 2018


Abstract

Deze studie vertrekt vanuit de vraag of innovatienovices getraind kunnen worden tot

innovatie-experten via een simulatietraining waarin novices hun eigen mentaal model over

innovatie vergelijken en confronteren met het mentaal model van experts. Deze masterproef

probeert met behulp van een interventiestudie hierop een antwoord te bieden. 2e bachelor

Psychologiestudenten werden random toegewezen aan drie condities, met name de leesconditie

(N = 73), de vergelijkingsconditie (N = 68) en de controlegroep (N = 73). De participanten uit de

lees- en vergelijkingsconditie ondergingen de simulatietraining waar ze, naargelang hun conditie,

de mentale modellen van experten op een welbepaalde manier dienden te verwerken. Tijdens

zowel de pre- en twee posttesten werden alle participanten gevraagd om innovatiescenario’s op

te lossen. Op basis van deze resultaten werd gekeken of de training effect had op

innovatieprestaties na de simulatietraining, alsook of er een verschil was in de resultaten tussen

de twee experimentele condities (i.e., de leesconditie en de vergelijkingsconditie). Tot slot werd

nagegaan of trainingsmotivatie effect had op de kennisuitkomsten. De hypotheses werden getoetst

aan de hand van een one-way ANCOVA met de pretest score van innovatiekennis als covariaat.

De resultaten wezen uit dat, zoals verwacht, de simulatietraining een effect had op de score op

een innovatiekennistest na de training voor beide experimentele groepen. We vonden dit

significante resultaat echter enkel bij de eerste posttest en niet bij de tweede posttest. Verder werd

er geen statistisch significant verband gevonden tussen de leesconditie en de

vergelijkingsconditie. Tot slot vertoonde de trainingsmotivatie ook statistisch significante

resultaten op innovatieprestatie, dit enkel bij de tweede posttest.


Inhoudsopgave

Woord vooraf…………………………………...……………………………………………….I

Abstract……………………………………………………………………………...………….II

Lijst met tabellen……….………………………………………………………...……………IV

Lijst met figuren……………………………………………………………………….……….V

Inleiding……………………….…………………………………………………………………1

Innovatie………………………………………………………………………………………3

Simulatietraining……………………………………………………………………………..5

Mentale modellen……………………………………………………………………………..8

Experten en novices…………………………………………………………………………..9

Instructies……………………………………………………………………………………10

Methode……..………………………………………………………………………………….14

Design……………………………………………………………………………………...…14

Steekproef……………………………………………………………………………………14

Manipulaties…………………………………………………………………………………15

Meetinstrumenten……………………………………………………………………...……17

Procedure……………………………………………………………………………………19

Statistische analyses…………………………………………………………………………21

Resultaten…...………………………………………………………………………………….23

Beschrijvende statistieken………………………………………………………….……….23

Resultaten hypotheses.…………………………………………………………………...…25

Discussie…………………………………………………………………………………..……33

Implicaties…………………………………………………………………………...………35

Sterktes en limitaties van het onderzoek…………………………………………………..36

Suggesties voor toekomstig onderzoek…………………………………………………….37

Conclusie……………………………………………………………………………………….38

Referenties……………………………………………………………………………………..39


Lijst met Tabellen

Tabel 1: Beschrijvende variabelen participanten……………………………………………..…14

Tabel 2: Beschrijving aantal participanten binnen de drie verschillende condities……………..15

Tabel 3: One-way ANOVA van de verschillende fases op de variabelen gemeten tijdens de

pretest…………………………………………………………………………………...22

Tabel 4: One-way ANOVA van de verschillende condities op de variabelen gemeten tijdens de

pretest………………………………………………………………………...…………22

Tabel 5: Gemiddelden, standaarddeviaties en correlaties tussen de verschillende variabelen…..24

Tabel 6: Gemiddelden en standaarddeviaties voor alle cognitieve uitkomsten van posttest 1 en 2

met de pretest score voor innovatie als covariaat ……………………………………….28

Tabel 7: Paarsgewijze vergelijking van de toegewezen experimentele conditie op posttest 1….30

Tabel 8: Gemiddelden en standaarddeviaties van trainingsmotivatie op pretest score voor

innovatie…………………………………………………………..……………………31

Tabel 9: Gemiddelden en standaarddeviaties voor alle cognitieve uitkomsten van posttest 1 en 2

met pretest score als covariaat in de verschillende motivatiecondities……..………….32


Lijst met Figuren

Figuur 1. Schematische design van de procedure………………………………………………20

Figuur 2. Grafische weergave van de drie condities op de innovatiekennistest van posttest 1…26

Figuur 3. Grafische weergave van de drie condities op de innovatiekennistransfertest van posttest

1…………………………………………………………………………………...……27

1 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE

"Learning is not attained by chance. It must be

sought for with ardour and attended to with diligence."

-Abigail Adams-

Sinds enkele decennia denken organisaties steeds vaker na over hoe ze de waarde en

omzet van hun organisatie kunnen verhogen (Sparks, Faragher & Cooper, 2001). Materiële activa,

zoals het gebruik van bepaalde machines en middelen, zijn slechts voor een beperkte periode

bruikbaar en kunnen gemakkelijk gerepliceerd worden door de concurrentie. Het gevolg is dat

organisaties meer gaan inspelen op het intellectueel kapitaal van de organisatie. Dit is uniek aan

de personen die werken in de organisatie (Tyulkova, 2014). Om intellectueel kapitaal beter te

kunnen duiden, verdelen we het begrip in drie luiken. Het eerste luik bestaat uit de relaties met

alle stakeholders. Het tweede luik omvat de structuur van de organisatie en het derde omvat het

menselijk kapitaal (Edvinsson, 1997). Deze masterproef zal zich toespitsen op het menselijk

kapitaal van de organisatie en hoe we de ontwikkeling hiervan kunnen stimuleren. Somaya,

Williamson & Lorinkova (2008) definieerden het menselijk kapitaal als de som van kennis,

vaardigheden, talent en know-how van de medewerkers in de organisatie. Pässilä (2013)

omschreef de eerder vermelde tendens als volgt: “Het succesverhaal van organisaties in de huidige

concurrerende markten is sterk afhankelijk van de mate waarin zij nieuwe kennis creëren. Het

integreren van verschillende soorten kennis en ervaringen is van cruciaal belang om innovatie in

organisaties te bevorderen.” (pp. 59-60).

De huidige literatuur toont aan dat er op dit moment veel organisaties tot het besef zijn

gekomen, dat kennis en de mate dat deze kan evolueren, een belangrijke factor is die de

hedendaagse organisaties van elkaar kunnen onderscheiden (Sohrabi & Naghavi, 2014). Nu

ondernemen organisaties diverse initiatieven die vaak veel geld kosten en worden de gewenste

resultaten niet altijd bereikt (Sparks et al., 2001). In veel studies wordt een onderscheid gemaakt

tussen declaratieve kennis en procedurele kennis, waarbij organisaties zich steeds meer en meer

willen focussen op deze laatste soort. Declaratieve kennis is de kennis rond feiten en principes

samen met de relatie tussen deze kenniselementen die in het verleden werden aangeleerd (Kraiger,

Ford & Salas, 1993). De behoefte om procedurele kennis te begrijpen en verder te ontwikkelen,

wordt belangrijker om een concurrerend voordeel te krijgen ten opzichte van andere organisaties.

Enkel wanneer dit begrip duidelijk gedefinieerd wordt, kunnen bedrijven inzetten om naast

declaratieve kennis ook die kennis te verhogen bij hun medewerkers. Sitzmann (2011) deed een


poging en omschreef procedurele kennis als de informatie over hoe we een taak of actie moeten

uitvoeren. Deze definitie zal dan ook gehanteerd worden in deze studie.

Deze masterproef zal onderzoeken of het gebruik van een simulatietraining een oplossing

kan bieden om procedurele kennis over innovatie aan te leren of te verhogen. Naast kennis is

innovatie een belangrijk instrument geworden om het succes van de organisatie en het lange

termijnperspectief te verzekeren (Anderson, Ptocnik & Zhou, 2014). In de voorbije jaren is er

reeds veel onderzoek uitgevoerd naar hoe innovatie kan gestimuleerd worden in organisaties,

bijvoorbeeld via welke leiderschapsstijl teams tot betere innovatieprestaties kunnen komen

(Sohrabi & Naghavi, 2014). Het is echter opmerkelijk dat er nog maar weinig onderzoek is

uitgevoerd dat zich heeft gefocust op de kennis die de werknemers nodig hebben om tot

innovatiesucces te komen. Hoe we innovatiekennis kunnen stimuleren of trainen in organisaties

is momenteel nog een onbeantwoorde vraag (Zhou & Anderson, 2014).

In wat volgt, wordt besproken wat het begrip innovatie precies inhoudt, wat de

verschillende soorten zijn en uit welke fasen innovatie bestaat. Er wordt verduidelijkt welke

invloed innovatie op kennis heeft en wat innovatiekennis inhoudt. Daarna volgt een beschrijving

van het begrip simulatietrainingen. Ook wordt er verder ingegaan op waarom er nog geen

simulatietrainingen voor innovatievaardigheden bestaan en waarom dit een interessante piste

blijkt te zijn voor deze masterproef. Vervolgens wordt beschreven wat mentale modellen zijn,

waarom procedurele kennis een onderdeel van deze modellen is en hoe we deze kunnen

verbeteren bij onze doelgroep. Om de mentale modellen van onze doelgroep te verbeteren, is het

sterk aangewezen dat tijdens de simulatietraining de juiste instructies worden gegeven. In die

paragraaf wordt verdergegaan op wat die instructies inhouden en waarom ze een effect hebben

tijdens de simulatietraining op innovatieprestatie. Om een mogelijk antwoord te bieden op de

recente ontwikkelingen in de bedrijfswereld, willen we in deze masterproef onderzoeken of het

vergelijken van het eigen mentaal model met een expert mentaal model over innovatie tijdens een

simulatietraining kan leiden tot verbeterde innovatieprestaties. In de volgende paragraaf

bespreken we een manier waardoor innovatieprestatie verbeterd kan worden. Om deze

vergelijking te kunnen maken, bespreken we verder het verschil tussen onze doelgroep en de

experten. In een volgende paragraaf wordt nagegaan welke instructies er voor zorgen dat er tijdens

de training een optimale kennisoverdracht plaatsvindt. Tot slot worden de onderzoekshypotheses

geformuleerd die onderzocht zullen worden tijdens deze masterproef en welke methode hiervoor

gebruikt zal worden.


Innovatie

Innovatie is in elke organisatie van uiterst belang om tot successen te komen. Het zijn

processen, pogingen en resultaten om de ontwikkeling en uitvoering van nieuwe producten en

diensten te verbeteren (Anderson, Ptocnik & Zhou, 2014). Innovatie en innovatief werkgedrag

zijn complexe en niet eenvoudig te definiëren begrippen binnen de bedrijfswereld (Anderson et

al., 2014). Een duidelijke definitie kan teruggevonden worden in de wetenschappelijke literatuur

bij West en Farr (1989). Zij stellen dat innovatief werkgedrag, de doelbewuste creatie, introductie

en toepassing van nieuwe ideeën binnen een functie, groep of organisatie is met het oog op het

verbeteren van de eigen prestaties, die van de groep of van de organisatie in het algemeen.

Innovatie is een breed begrip dat kan onderverdeeld worden in producten procesinnovatie.

Hierbij doelt het eerste meer op het introduceren van een nieuw product op de markt, terwijl het

tweede handelt over het introduceren van een nieuw proces om producten te maken of diensten

te verlenen (Nijstad et al., 2015). Verder kan het zowel over eerder kleine veranderingen, alsook

over grote veranderingen gaan die een sterke impact op de organisatie hebben (West, 2002).

Organisaties kunnen verschillende positieve resultaten bereiken door innovatie in organisaties te

gaan stimuleren (Nijstad et al., 2015). Het kan bijvoorbeeld leiden tot een betere werking van de

organisatie en sociaalpsychologische voordelen voor de individuele werknemers en hun teams,

zoals een geschiktere fit tussen de taakeisen en hulpbronnen van een werknemer. Zo kan je ook

de communicatie verbeteren en verhoogde jobtevredenheid stimuleren (Janssen, 2000). West

(2002) beschreef de voordelen als volgt in zijn wetenschappelijk onderzoek: “Innovatie omvat

doelgerichte pogingen om voordelen uit nieuwe veranderingen te halen zoals economische

voordelen, persoonlijke groei van de medewerkers, grotere tevredenheid, verbeterde

groepscohesie, betere organisatorische communicatie en stijging van de productiviteit.” Met

andere woorden, innovatie beïnvloedt, met andere woorden de resultaten, het succes en het lange

termijn perspectief van de organisatie.

De wetenschappelijke literatuur schrijft dat het innovatieproces uit verschillende fases

bestaat: ideegeneratie, ideepromotie en idee-implementatie (Howell & Boies, 2004). De

doelstelling van de eerste fase is om zo veel mogelijk ideeën te genereren die later eventueel

geïmplementeerd kunnen worden (West, 2002). Na dit proces kunnen de nieuwe ideeën twee

richtingen uitgaan. Ofwel gaat het naar de tweede fase van innovatie, namelijk idee-promotie,

waarbij de betrokken personen overtuigd worden van het idee en toestemming en ondersteuning

verkregen wordt, ofwel wordt het verder niet meer gebruikt (Klein & Knight, 2005; Howell &

Boies, 2004). De medewerkers die actief zijn in deze fase, de zogenaamde ‘champions’, en het

idee dus willen promoten, kunnen dit zowel op een formele als een informele manier doen


(Howell & Higgins, 1990). Wanneer deze fase afgerond is, volgt de implementatiefase. In deze

derde en laatste fase dienen de champions uit de vorige fase, na het genereren en integreren van

de ideeën, deze te gaan implementeren door de strategische betekenis rond de innovatie te gaan

communiceren (Howell & Higgins, 1990). Dit mede door te wijzen op het belang van het

voortdurend bevorderen van innovatie, het veilig stellen van de middelen, steun vinden en mensen

motiveren om de innovatie te stimuleren (Howell & Boies, 2004). Deze fase kan vlot verlopen,

maar in andere gevallen brengt het ook weerstand met zich mee en is het dus belangrijk eventuele

hindernissen te overbruggen met enige creativiteit (West, 2002). Wanneer in de literatuur over

innovatie wordt gesproken, maken onderzoekers al snel een koppeling naar creativiteit (Nijstad

et al., 2015). Er zijn verschillende opvattingen omtrent de relatie tussen creativiteit en innovatie

(Anderson et al., 2014; Nijstad, Baas & Gevers, 2015). In deze masterproef gaat innovatie zowel

over de ideegeneratie als de implementatie ervan. Creativiteit wordt dus niet gezien als een

losstaande fase voorafgaand aan innovatie, maar komt in alle fases van innovatie aan bod (West,

2002). West (2002) concludeert dat de implementatie het vlotst verloopt, wanneer er vraag is

vanuit de context, er sterke groepsintegratie processen zijn en een hoog level van groepsveiligheid

in de organisatie heerst.

In wat volgt wordt besproken welke soort kennis mensen nodig hebben om innovatie te

verbeteren, de uitkomsten van verbeterde declaratieve kennis en er wordt voornamelijk gefocust

op de verbetering van procedurele kennis, aangezien in deze masterproef wordt nagegaan of

procedurele kennis over innovatie kan verhoogd worden via een simulatietraining.

Innovatiekennis. In het verleden is reeds vaak onderzoek uitgevoerd naar declaratieve

kennis (Gadgil, Nokes-Malach & Chi, 2012). Eén van de belangrijkste redenen hiervoor is dat

declaratief onderzoek goed afgebakend kan worden (Gadgil et al., 2012), in tegenstelling tot

procedurele kennis waarbij het onduidelijker is wat precies gemeten dient te worden (Motowidlo

& Beier, (2010). Declaratieve kennis wordt door Kraiger et al. (1993) omschreven als de kennis

rond feiten en principes samen met de relatie tussen kenniselementen die in het verleden werden

aangeleerd. Sitzmann (2011) deed een poging om procedurele kennis te definiëren en omschreef

het als de informatie over hoe we een taak of actie dienen uit te voeren. Binnen procedurele kennis

wordt een onderscheid gemaakt tussen eenvoudige handelingen die mensen nagenoeg

automatisch uitvoeren zoals fietsen, maar ook complexere handelingen zoals innovatief

werkgedrag, waar, zoals eerder vermeld, verscheidene oplossingen voor mogelijk zijn.

Procedurele kennis zorgt ervoor dat mensen weten wanneer welke acties dienen uitgevoerd te

worden om tot een succesvol resultaat te kunnen komen (Motowidlo et al., 2010). Deze

masterproef heeft als doel de verbetering op het procedurele niveau te bestuderen, omdat er


verwacht wordt dat deze het meeste invloed heeft op innovatieprestatie. We verwachten dat dit

een rol zal spelen omdat innovatie niet over feitelijke kennis gaat. Er bestaat niet één manier om

innovatief te zijn, maar het kan zich op veel verschillende manieren uiten. Zo maakte Kitchener

(1983, p. 223) een onderscheid tussen goed gedefinieerde en onduidelijk gedefinieerde

problemen. Voor deze eerste soort problemen bestaat er één volledig correct antwoord en/of

procedure waar geen twijfel over mogelijk is. De onduidelijk gedefinieerde problemen echter zijn

deze waar er tegenstrijdige assumpties, bewijzen en meningen over bestaan, die tot gevolg ook

diverse oplossingen met zich meebrengen (Schraw, Dunkle & Bendixen, 1995). Innovatie en

procedurele kennis kunnen we categoriseren in de groep ‘onduidelijk gedefinieerde problemen’

aangezien er niet één juist of fout antwoord bestaat. In een innovatieve organisatie is het dan ook

belangrijk dat de medewerkers over open skills beschikken en deze verder evolueren door dus

meer procedurele kennis te verzamelen (Lindegaard, 2010). In de volgende paragraaf wordt het

begrip simulatietraining verklaard, waarmee we de innovatiekennis in deze studie proberen te

verhogen.

Simulatietraining

In de laatste jaren is technologie steeds een belangrijkere rol gaan spelen in HR en

training, waardoor er onder andere steeds meer in simulatietrainingen geïnvesteerd wordt (Priem,

Li & Carr, 2012). Doordat er een verschuiving van ‘leren door te luisteren’ naar ‘leren door te

doen’ (Garris, Ahlers & Driskell, 2002) heeft plaatsgevonden, biedt simulatietraining een manier

waarop mensen hun ontwikkeling kunnen stimuleren aan de hand van zaken te doen tijdens de

training (Arnab & Clarke, 2016). Digitale simulaties kunnen worden omschreven als ‘op

technologie gebaseerde programma’s die een model van een systeem of een proces bevatten’ (De

Jong & Van Joolingen, 1998; Laurillard, 1992). Deze simulatietrainingen zijn voortgevloeid uit

het bestaan van videogames (Gegenfurtner, Quesade-Pallarès & Knogler, 2014). Wanneer deze

laatste steeds populairder werden, ontstond de idee om videogames voor educatieve doeleinden

te gaan gebruiken. Zo was het spel ‘Oregon Rails’ in 1974, één van de eerste om aardrijkskundige

kennis aan te leren (Sitzmann, 2011). Een uitgebreidere en meer volledige definitie van simulaties

wordt beschreven bij Sitzmann (2011, p.490) die stelt dat ‘simulatiegames verwijzen naar

besluitvormingsoefening in een kunstmatig gecreëerd milieu waarbij trainees via hun individuele

computer uit de gevolgen van hun beslissingen leren.’

Uit de literatuur blijkt dat digitale simulaties steeds populairder worden bij professionele

opleidingen voor het ontwikkelen van complexe cognitieve vaardigheden aangezien hierdoor

declaratieve en procedurele kennis kan stijgen (Vogel, Cannon-Bowers, Bowers, Muse & Wright,


2006; Sitzmann, 2011). Gemiddeld scoren trainees na de simulatie 11% hoger op declaratieve

kennis (d =.28) en 14% hoger op procedurele kennis (d =.22) in tegenstelling tot de

vergelijkingsgroep en bevordert het ook de zelfdoeltreffendheid en overdracht (Gegenfurtner et

al., 2014).

Daarnaast worden de lerende voordelen die simulatiegames met zich meebrengen ook

gemodereerd door de kenmerken van de simulatie (Vogel et al., 2010). Zo leren trainees meer ten

opzichte van de vergelijkingsgroep wanneer er actief in de simulatie dient gewerkt te worden, dan

wanneer dit op een passieve manier gebeurt (Thorton & Cleveland, 1990). Verder was dit ook het

geval wanneer de trainees onbeperkte toegang hadden tot de simulatie en de simulatie een

aanvulling was op andere educatieve methoden (Hays, 2005; Rooney, 2012; Arnab & Clarke,

2015). Sommige onderzoekers beweerden dat ook de mate van entertainment niveau een effect

had op de resultaten, maar dit weerlegde Sitzmann (2011) in haar meta-analyse.

Serious games zijn een soort van simulatietraining om meer gecompliceerde kwesties aan

te pakken (Schollmeyer, 2006). Ze zijn over het algemeen ontwikkeld in een multidisciplinaire

omgeving door verschillende experten (Arnab & Clarke, 2015) en hebben als voornaamste doel:

leren, training en marketing (Rooney, 2012). Net zoals bij videogames zorgen deze

simulatiegames voor een intrinsieke motivatie om de simulatie tot een goed einde te brengen

(Malone, 1981) en ervaren de trainees ook dat ze meegesleurd worden en tijdsbesef verliezen

tijdens het deelnemen aan de simulatie (Wood, Griffiths & Parke, 2007). Garris, Ahlers en

Driskell (2002) stellen dat werknemers hun werkgerelateerde kennis en vaardigheden verbeteren

door die motivatie die gerelateerd is aan simulatiegames te benutten. Malone’s theorie (1981) zegt

dat wanneer trainees meer intrinsieke motivatie vertonen, meer kennis verzamelen, ze het leren

als meer aangenaam ervaren en de opgedane kennis in de toekomst ook meer zullen toepassen op

het werk. Dit wordt in dit onderzoek ook nagaan door te kijken of een hoge trainingsmotivatie tot

een beter resultaat op de cognitieve testen zal leiden dan participanten met een lagere

trainingsmotivatie.

Het bijleren door simulatietraining kan in veel uiteenlopende sectoren gebruikt worden

(Gegenfurther et al., 2014). Zo bestaan er bijvoorbeeld simulatietrainingen waar

vliegtuigsimulaties worden nagebootst (Park, Lee, Tahk & Yoo, 2016) of besluitvorming in

businesssimulaties worden getraind (Sumpter, Gibson & Porath, 2016; Boies, Lvina & Martens,

2011). Andere voorbeelden van simulaties vinden we in de medische wereld om kennis te trainen

(Rooney, 2012).


We kunnen op basis van de bestaande literatuur concluderen dat de moderne technologie

veel mogelijkheden biedt op educatief gebied (Garris et al., 2002). De resultaten geven aan dat

simulatiegames 17% effectiever zijn dan een lezing en 5% effectiever dan een discussie, wat de

twee meest populaire educatieve methoden zijn (Sitzmann, 2011). Deze resultaten werden in

verschillende meta-analyses gevonden en bewijzen dat, mits een goede toepassing, technologie

de leeruitkomsten kan verbeteren en er dus in simulaties dient blijven geïnvesteerd te worden

(Arnab & Clarke, 2016; Sitzmann, 2011). De nadelen hiervan zijn echter dat deze erg duur (Jana,

2006) en enorm tijdrovend zijn om te ontwikkelen (Bell, Kanar & Kozlowski, 2008). De kosten

hiervoor worden wel gedeeltelijk gecompenseerd door de verlaging van de (reis)kosten die in

andere gevallen gemaakt worden bij een klassikale training (Summers, 2004). In de toekomst

moeten dus nog veel stappen worden ondernomen om de kosten van de ontwikkeling van de

simulatietrainingen te verlagen en moet er verder onderzoek gevoerd worden naar de

mogelijkheden van optimaal leren bij simulatietraining (Garris et al., 2002).

Zoals eerder vermeld, wordt innovatie(kennis) een steeds belangrijker instrument voor

een organisatie om successen na te streven. Met dit gegeven wordt het belangrijk om trainingen

te ontwikkelen die innovatievaardigheden oefenen. Er zijn momenteel nog geen interventies om

innovatiekennis te verbeteren (Zhou & Anderson, 2014) en er bestaan hier dus ook nog geen

simulatietrainingen voor. Daarnaast hebben Zhou & Anderson (2014) ook de indruk dat er in de

laatste jaren onderzoek geen nieuwe inzichten zijn rond innovatie en dat er in toekomstig

onderzoek meer moet gefocust worden op het innovatieproces in de organisatie. Sommige

onderzoekers beweren dat kennis (over innovatie) een abstract ‘iets’ is, onafhankelijk van de

context, terwijl anderen overtuigd zijn dat kennis helemaal niet kan losgekoppeld worden van de

situatie (Rooney, 2012). Daarnaast zijn bepaalde onderzoekers ervan overtuigd dat leren een

individueel proces is, terwijl anderen zeggen dat de fysische en sociale omgeving een belangrijke

invloed heeft (Derry & Steinkuehler, 2003). Aangezien innovatie niet zo’n afgebakend begrip is,

rijzen de vragen of er een soort model bestaat dat algemeen geldend is om innovatie aan te leren

en/of dat experten in innovatie allemaal over dezelfde kennis en vaardigheden beschikken.

Volgens onze kennis bestaat er tot op heden nog geen simulatietrainingen om innovatiekennis te

verbeteren. Uit het voorgaande stuk kunnen we concluderen dat simulatietraining een goede

methode is om innovatiekennis te gaan aanleren en wordt verder nagegaan welke instructies in de

simulatietraining belangrijk zijn met betrekking tot de mentale modellen.

De eerste hypothese stelt dat de participanten die een simulatietraining rond

innovatiekennis krijgen, nadien beter zullen scoren op een innovatiekennistest en een

innovatiekennistransfertest dan wanneer ze geen training krijgen. We verwachten een toename in


kennis en uitbreiding van het mentaal model door training dus gaan de twee experimentele

groepen (conditie 1 en 2) vergeleken worden ten opzichte van een controlegroep die geen training

(conditie 3) krijgt.

Verder gaan we hierbij ook na of dit zowel een effect heeft op de kennisscore als op de

transferscore. De kennisscore wordt berekend aan de hand van het oplossen van dezelfde of een

gelijkaardig scenario en bij de transferscore wordt een volledig nieuw scenario aan de

participanten gegeven. Experimentele studies toonden aan dat errormanagement training, kennis

doet verhogen en ook een leertransfer tot gevolg heeft, omdat mensen die in de fout gaan, nadien

hun cognitieve en motivationele processen proberen te verbeteren (Keith & Frese, 2005). Dit

bevestigen ook Bledow et al. (2017) in hun wetenschappelijk artikel waar ze aangeven dat mensen

vaak gemotiveerd zijn om nieuwe ideeën op te doen, nadat ze zelf een (mislukte) poging hebben

ondernomen om tot een oplossing te komen. Hierbij veronderstellen we een hogere score bij de

vergelijkingsconditie op alle cognitieve testen dan bij de leesconditie. Bij de tweede hypothese

wordt er een onderscheid gemaakt tussen de twee experimentele groepen, namelijk het actief

vergelijken van een expert model en het lezen van een expert model. Hier wordt na de instructies

uitgebreid op terug gekomen.

Hypothese 1: Participanten die een simulatietraining voor innovatiekennis doorlopen

zullen betere resultaten behalen op een post innovatiekennistest en innovatiekennistransfertest

dan participanten die geen training krijgen.

In de volgende paragrafen wordt dieper ingegaan op hoe een optimale kennisverhoging

kan nagestreefd worden. Er wordt gekeken naar wat mentale modellen zijn, wie bedoeld worden

met novices en experten en welke specifieke instructies gebruikt zullen worden om kennis rond

innovatie te gaan verbeteren tijdens de simulatietraining.

Mentale modellen

Levenslang leren is een belangrijk topic die we in verschillende contexten terugvinden

(Tyulkova, 2014), bijvoorbeeld in schoolcontexten (Sloep, 2008). Wanneer studenten de

schoolbanken verlaten, begint de werkcarrière en is het aangewezen dat mensen zo goed als elke

dag nog bijleren. Mensen leren door hun bestaande kennis uit te breiden en de literatuur toont aan

dat deze kennis vervat zit in mentale modellen. Een mentaal model kan gedefinieerd worden als

een door een persoon geconstrueerde representatie die het hen mogelijk maakt om processen en

systemen te begrijpen en daarover conclusies te maken (Gentner en Stevens, 1983 & Johnson-

Laird, 1980). Mentale modellen zijn niet alleen maar een verzameling van iemand zijn


overtuigingen, maar een complexe organisatie van de relaties tussen die verschillende elementen.

Verder kan een persoon over verschillende mentale opvattingen over een onderwerp beschikken

en toch nog geen volledig mentaal beeld hebben over dat specifiek onderwerp (Gadgil et al.,

2012). We zien dus dat leren uit het aanpassen van deze mentale modellen bestaat en dit kan op

verschillende manier gebeuren, zoals leren via training. Gadgil et al. (2012) wijzen erop dat dit

enkel mogelijk is als de trainee in staat is om de (complexe) structuur van zijn mentaal model te

veranderen.

We kunnen stellen dat iedere persoon eigen unieke mentale modellen bezit. De ene

persoon zal meer weten of andere zaken onthouden over een bepaald onderwerp dan een andere

persoon (Gadgil et al., 2012). In de volgende alinea wordt verder ingegaan op het verschil tussen

experten en novices. Van deze eerste groep wordt verwacht dat ze over een heel uitgebreid

mentaal model binnen een bepaald kennisdomein beschikken en de laatste groep bevat leken of

personen die slechts beperkte kennis over het onderwerp hebben.

Experten en novices

Wanneer personen meer kennis willen verzamelen, meer bepaald over innovatie, kunnen

ze zich verdiepen in boeken, bedrijfsverhalen, cursussen, maar kunnen ze ook in interactie treden

met andere personen die in dit domein al veel ervaring hebben opgedaan (Lachner & Nückles,

2015), de zogenaamde experten in hun domein. Vooraleer we een vergelijking maken in de kennis

tussen novices en experten, volgt eerst een wetenschappelijke definiëring.

Experten worden niet als expert geboren (Schraw, 2009). De volgende verklaring van

Ericsson (2006) omschrijft deze evolutie doorheen een expertproces: “De weg van beginner tot

expert kan worden gekarakteriseerd als een hobbelige weg van toegewijde oefening en

inspanning”. Volgens Hoffmann, Shadbolt, Burton & Klein (1995) kan een expert het best

omschreven worden als een hooggewaardeerd persoon die veel kennis en vaardigheden heeft

verzameld door jarenlange ervaring op te doen. Zo besloten Bryan en Harter al in 1899 dat men

pas over een expert kan spreken als men meer dan 10 jaar ervaring heeft in het domein (Ericsson,

2006). Een novice daarentegen kunnen we omschrijven als een beginner die voornamelijk

verschilt van een expert op basis van zijn onvolledige of gebrek aan kennisstructuren over een

bepaald domein (Gadgil et al., 2012). Het mentaal model van novices kan foutief zijn, maar kan

eenvoudigweg ook onvolledig zijn (Gadgil et al., 2012). Als we het bijvoorbeeld hebben over

wetenschappelijke onderwerpen is iets juist tot het tegendeel wordt bewezen. Er kan niet steeds

een rechte lijn worden getrokken tussen wat juist en wat fout is, daarom gaan we er in deze

masterproef ook niet vanuit dat het mentale model van de novices zeker fout is. Er wordt gekeken


hoe studenten hun bestaand mentaal model kunnen aanvullen en eventueel aanpassen door de

vergelijking met een expert mentaal model te maken (Gadgil et al., 2012). Bandura (1986)

concludeerde dat het meeste menselijk gedrag door observatie aangeleerd is. Door het observeren

van anderen leren we regels voor gedrag die als leidraad kunnen worden gebruikt bij toekomstige

gebeurtenissen. Op basis van deze conclusie zouden we ervan uit kunnen gaan dat novices van

experten kunnen leren. Het onderzoek van Lachner et al. (2015) stelde vast dat studenten beter

leren met expertverklaringen dan door de uitleg van medestudenten. Een reden daarvoor is dat de

expertverklaringen een beter samenhangend geheel vormen dan de verklaringen van beginners.

Verder vond hij dat deze novices de verklaringen van experten echt grondig verwerkten, terwijl

ze de uitleg van medestudenten eerder oppervlakkig herhaalden. Uit de studie van Lachner et al.

(2015) kan geconcludeerd worden dat het mogelijk is om de uitgebreide kennis van de experts te

gebruiken om novices procedurele kennis aan te leren.

Aangezien verder gebouwd wordt op de assumptie dat innovatieprestaties kunnen worden

verbeterd als de werknemers over meer procedurele kennis beschikken, over hoe ze innovatie-

uitdagingen dienen op te lossen, gaan we in deze masterproef tijdens simulatietrainingen gebruik

maken van expert modellen. In wat volgt wordt verder gegaan met de specifieke instructies die in

de simulatietrainingen worden gegeven. Deze zijn belangrijk om een optimale uitkomst van de

training na te streven.

Instructies

Instructies worden door Mayer (2008) gedefinieerd als manipulaties van de instructeurs

die bedoeld zijn om de ontwikkeling en de kennis van de novices tijdens training te verbeteren.

De literatuur vertelt over wat instructie doet in een leeromgeving en dat brengt wat

tegenstrijdigheden met zich mee (Kirschner et al., 2006; Kuhn, 2007; Tobias & Duffy, 2009). Zo

is de ene onderzoeker ervan overtuigd dat novices het best leren als ze aan ontdekkingsleren doen.

Anderen zeggen dat novices het best leren als ze hiervoor duidelijke instructies meekrijgen (Lee

& Anderson, 2013). Er is evidentie gevonden dat ontdekkingsleren ervoor zorgt dat novices

individueel en actief zoeken naar een oplossing en wanneer ze deze gevonden hebben, het beter

zullen onthouden en in de toekomst toepassen. De negatieve zijde van de medaille is, dat ze dan

meer met een trial en error manier werken en soms niet tot de beoogde resultaten komen.

Daarnaast heeft ook instructie zowel voor- als nadelen. Lee & Anderson (2013) sommen de

voordelen op als volgt: instructies zorgen ervoor dat de juiste oplossingen en verklaringen geleerd

worden, leiden novices naar de specifieke informatie die geleerd dient te worden, leggen de

nadruk op de kritieke kenmerken in de voorbeelden, maken het gebruik van de tijd efficiënter


door onnodig zoeken te vermijden en laten het werkgeheugen minder afzien door te focussen op

essentiële leeractiviteiten. De nadelen zijn dat de oplossingen nadien niet altijd goed herinnerd

worden, men enkel leert wat er in de instructie staat en niets meer, dat het novices niet uitdaagt

om grondig over het onderwerp te redeneren en dat het zorgt voor afleiding als de verschillende

informatiebronnen niet geïntegreerd zijn. Zonder de mogelijkheden van bepaalde leertechnieken,

zoals bijvoorbeeld ontdekkingsleren en andere instructies te willen ontkennen, wordt in deze

masterproef verdergegaan met de instructies rond het vergelijken van een expert model, de

oplossingen van de experten en de verklaringen die experten voor hun oplossingen geven.

In deze masterproef wordt een onderscheid gemaakt tussen de instructies bij de

verschillende condities. Bij de ‘leesconditie’ gaan de participanten op een passieve manier om

met de verkregen informatie en bij de ‘vergelijkingsconditie’ moeten de participanten actief hun

eigen mentaal model vergelijken met het expert mentaal model. Lachner et al. (2015) verklaren

het mogelijke verband tussen de vergelijking van het eigen mentaal model met een expert mentaal

model en een verhoging van de innovatiekennis door het betere, globale, samenhangende geheel

van de uitleg van een expert. Ondanks het feit dat hun verklaringen abstract kunnen zijn, wat het

leerproces weer enigszins bemoeilijkt, zorgt de cohesie in de verklaringen van de experten voor

een betere en effectievere overdracht van informatie bij de novices. Mayer (2008) stelde bepaalde

basisprincipes voorop, waaraan de simulatie-instructie moet voldoen. In wat volgt beschrijven we

de belangrijkste. De eerste vijf principes helpen de novices om de externe verwerking te verlagen.

Het eerste principe zegt dat de info een samenhangend geheel moet zijn, zoals bewezen in de

studie van Lachner et al. (2015). Ten tweede dient de nadruk te worden gelegd op het essentiële

materiaal dat dient aangeleerd te worden. Verder moet overbodige tekst en animaties worden

vermeden. De laatste twee principes gaan over de ruimtelijke en temporele contiguïteit. Het is

bijvoorbeeld enerzijds belangrijk dat de uitleg over een grafiek bij de afbeelding staat, en dat

anderzijds ook de uitleg dient gegeven te worden op hetzelfde moment van het tonen van die

grafiek en daar niet enige tijd later op terugkomen.

Leren aan de hand van voorbeelden uit het verleden bevatten vaak de stapsgewijze

oplossing van experten en bieden een mogelijkheid om trainees meer te laten bijleren (Atkinson,

Derry, Renkl & Wortham, 2001; Renkl et al., 1998). In een studie van Rittle-Johnson & Star

(2007) bewijzen de onderzoekers dat de vergelijking van oplossingen tussen klasgenoten leidt tot

hogere procedurele kennis en flexibiliteit dan bij de controlegroep (Lee & Anderson, 2013). Dit

wil echter niet zeggen dat alle vergelijkingen leiden tot deze positieve resultaten. Zo haalt Rittle-

Johnshon & Star (2007) aan dat het leren afhankelijk is van wat er vergeleken wordt. In hun studie

was de eerste vergelijkingsconditie het vergelijken van oplossingsmethoden, de tweede omvat het


vergelijken van problemen en als laatste het vergelijken van gelijkaardige problemen. De

resultaten toonden aan dat de eerste conditie, namelijk het vergelijken van oplossingsmethoden,

meer effectief waren om te kunnen bijleren, dan de andere twee condities. Dit komt omdat de

trainees door de stapsgewijze oplossing zich kunnen focussen op het specifieke probleem in plaats

van onnodig te zoeken. Dit wordt in de literatuur vaak als de cognitieve belastingstheorie

omschreven (Lee & Anderson, 2013). Experten beschikken door hun jarenlange ervaring en

expertise over stapsgewijze oplossingen die kunnen worden aangeboden tijdens trainingen aan

novices.

Daarnaast moet er ook een onderscheid worden gemaakt of de trainees al kennis bezitten

over het onderwerp of niet. Wanneer deze al een eigen mentaal model hebben kunnen opbouwen

rond het onderwerp, dan profiteren de trainees het meest van de oplossing vergelijkende conditie.

Wanneer het onderwerp voor de trainees nog onbekend was, had deze conditie eerder negatieve

gevolgen, aangezien de belasting voor het werkgeheugen te groot werd (Lee & Anderson, 2013).

Hierop wordt uitgebreid teruggekomen bij de methode.

De wetenschappelijke literatuur bevestigde dus dat trainees kunnen bijleren van experten

door de vergelijking van mentale modellen. De manier waarop dit gebeurt, kan in vraag gesteld

worden. Zo concludeerde Lee & Anderson (2013) dat er geen duidelijk beeld is over welke

mechanismen trainees gebruiken om leerervaringen om te zetten in kennis. Gadgil et al. (2012)

liet het daar echter niet bij en onderzocht of cognitieve verandering van het mentale model te

wijten was aan de kennisherziening van de huidige kennis die trainees bezitten. Hierbij werd een

onderscheid gemaakt tussen trainees die geen voorkennis hebben en alle kennis dus nieuw is,

trainees die een onvolledig mentaal model hebben en trainees die foute opvattingen in hun model

hebben. Kennisherziening vereist een metacognitieve aandacht waarin de trainee probeert te

ontdekken of er misverstanden of onvolledigheden zijn in zijn of haar huidige kennis over het

onderwerp. Men stelt hierbij het doel voorop om die fouten te veranderen of om de ontbrekende

kennis aan te vullen (Chi, 2000; Winne & Hadwin, 1998; Zimmerman & Compillo, 2003). Door

de mentale modellen te vergelijken en duidelijk voor te stellen, worden niet enkel de

gelijkenissen, maar vooral ook de verschillen benadrukt en dat stelt de trainee in staat om zijn of

haar kennis te herzien. Gadgil et al. (2012) vinden in hun studie ook bewijs dat het vergelijken

van mentale modellen (eigen mentaal model met expert mentaal model) tot een grotere

kennisherziening leidt dan bij de groep waar het expert model gewoon verklaard werd.

De tweede hypothese van deze masterproef luidt dan ook als volgt: “Het actief vergelijken

van mentale modellen van experten tijdens een simulatietraining, zal tot betere resultaten leiden

dan bij een leesconditie”. Het grote verschil tussen de twee condities is dat men in de ene conditie


actief hun eigen mentaal model gaat vergelijken met het expert model en de participanten in de

leesconditie de informatie over het expert model gewoon lezen. Dit is wat Gadgil et al. (2012)

ook suggereren met hun onderzoek en daarin ook evidentie vinden dat studenten die hun mentaal

model vergeleken met het mentaal model van een expert tot een grotere kennisherziening komen

dan de studenten uit de controlegroep waarin het expert model enkel toegelicht werd. We

verwachten dat de vergelijkingsconditie beter zal scoren op innovatieprestatie na de training

doordat ze actief en gestuurd te werk zullen gaan en door de confrontatie met hun eigen kennis

meer zullen bijleren dan bij de leesconditie, wat eerder een passieve vorm van leren beoogt.

Hypothese 2: Participanten die tijdens een simulatietraining hun eigen mentaal model

actief zullen vergelijken met het mentaal model van experten, zullen betere resultaten behalen op

een innovatie kennis- en transfertest dan participanten die tijdens een simulatietraining de

instructie krijgen om de expert modellen passief te lezen.

Een laatste hypothese die tijdens dit onderzoek wordt gemeten, gaat over de invloed van

trainingsmotivatie. Eerder in deze literatuurstudie kwam dit kort aan bod. Tijdens dit onderzoek

werd ook de trainingsmotivatie nagegaan. Hierbij werd de groep onderverdeeld in drie groepen,

namelijk een groep met lage-, gemiddelde- en hoge trainingsmotivatie. We verwachten dat de

laatste groep een hogere innovatieprestatie zal hebben dan de lager scorende groepen, dit bij zowel

de gelijkaardige scenario’s als bij de nieuwe scenario’s. Dit hebben onderzoekers ook al bewezen

in vorige studies. Tai (2006) veronderstelt in zijn studies dat de motivatie om training te volgen

een belangrijke factor is voor het verbeteren van de effectiviteit van trainingsuitkomsten. Colquitt

et al. (2000) geven in een studie met werknemers aan dat zij die bekwaam zijn om de inhoud van

een aangeboden training te leren, omwille van een lage motivatie, mogelijk niet kunnen profiteren

van de training. Ook Tharenou (2001) deed hierover een studie bij werknemers en

beargumenteerde dat de motivatie, verwachting en bereidheid van werknemers om bij te leren,

helpen bij het verklaren van hun participatie en ontwikkeling doorheen de training.

Hypothese 3: Participanten met een hogere trainingsmotivatie zullen hoger scoren op de

innovatiekennistest en innovatiekennistransfertest dan participanten met een lagere

trainingsmotivatie na het volgen van een simulatietraining.


Methode

Design

In deze studie werd gebruik gemaakt van een quasi-experimenteel design met een pre-

post-post test om bovenstaande hypotheses te testen. Om een antwoord te kunnen bieden op de

onderzoeksvraag: “Kunnen we verwachten dat het vergelijken van een eigen mentaal model met

een expert mentaal model in een simulatietraining er voor zal zorgen dat de studenten beter zullen

presteren op innovatie?”, dienen we na te gaan of de innovatieprestatie na de simulatietraining is

verhoogd. Deze resultaten zullen dan worden vergeleken met de controlegroep die geen

simulatietraining hebben gehad en met de resultaten dat de novices behaalden op de pretest voor

de simulatietraining. In deze masterproef gaan wij participanten bestuderen die een nog

onvolledige of incorrecte kennis hebben opgebouwd omtrent innovatie. In het volgende luik

wordt deze steekproef uitgebreid beschreven.

Steekproef

In totaal werden 255 studenten van het vak ‘Inleiding in de Bedrijfspsychologie’ aan de

Universiteit van Gent uitgenodigd om deel te nemen. Hiervan zijn er 214 participanten ingegaan

op dit verzoek en waren hun gegevens geschikt voor verdere analyses. De descriptieve variabalen

van deze participanten worden in Tabel 1 weergegeven. Het grootste aandeel in deze steekproef

is vrouwen (81,78%) samen met de resultaten van 39 mannen (18,22%) (SD = 0,39). De leeftijden

variëren tussen de 18 en 33 jaar met een gemiddelde van 19,91 jaar (SD = 1,93), waarvan het

grootste deel een secundaire opleiding afgerond heeft (92,52%). Verder hadden 7% van de

participanten reeds een bachelor diploma behaald en was er ook één persoon die een

masteropleiding had afgerond (SD = 0,29).

Tabel 1

Beschrijvende variabelen participanten

N % SD

Geslacht: Man 39 18,22 0,39

Vrouw 175 81,78

Opleiding: Secundair 198 92,50 0,29

Bachelor 15 7

Master 1 0,5

M SD

Leeftijd 19,52 1,93


De participanten werden at random toegewezen aan één van de drie condities (i.e.,

leesconditie, vergelijkingsconditie en geen training). Aan de eerste conditie, namelijk de

leesconditie, werden 84 participanten toegewezen. De vergelijkingsconditie bestond uit 83

personen en 88 participanten hadden geen training (SD = 0,82). Wanneer we rekening houden

met de missing values bestonden de condities respectievelijk uit 73, 68 en 73 participanten (Tabel

2).

Tabel 2

Beschrijving aantal participanten binnen de drie verschillende condities

Steekproef: Aantal Leesconditie Vergelijkingsconditie Geen training Totaal

Met missing data N 84 83 88 255

Zonder missing data N 73 68 73 214

Om de derde hypothese te kunnen toetsen, werd de totale groep van de experimentele

participanten opgedeeld in drie groepen. Er werd bij deze hypothese gekozen om enkel rekening

te houden met de participanten uit de twee experimentele condities, omdat deze ook effectief de

trainingssimulatie ondergingen. De participanten uit de conditie die geen training hadden, werden

bij deze hypothese niet in rekening gebracht. Er werd een gemiddelde van deze participanten

genomen (M = 3.9) en dan werd er met telkens 1 SD hoger of lager (SD = .38) gewerkt om te

bepalen of de participanten bij de lage, gemiddelde of hoge-motivatiegroep behoorden. De eerste

groep (N = 20) bestond uit de participanten die gemiddeld lager dan 3.52 scoorden op de variabele

trainingsmotivatie (lage trainingsmotivatie). De tweede groep scoorde gemiddeld tussen 3.52 en

4.28 (N = 121). En de laatste groep scoorde hoger dan 4.28 (N = 48) (hoge trainingsmotivatie).

Manipulaties

Participanten die een simulatietraining kregen, werden onderworpen aan zes

innovatiescenario’s. Deze werden onderverdeeld naargelang de drie fases bij een innovatieproces.

De eerste twee scenario’s gingen over ideegeneratie, de volgende twee over idee-promotie en de

laatste twee over de implementatie. Participanten werden gevraagd om deze scenario’s op te

lossen in een vrij invulveld en moesten bovendien een verklaring geven voor hun oplossing.

Hierna dienden ze zeven acties te beoordelen op een Likert schaal van 1 tot 5 (‘zeer ineffectief’

tot ‘zeer effectief’). Nadien kregen de participanten de oplossingen van de experten op de

specifieke scenario’s. Deze stappen werden door alle participanten doorlopen die deelnamen aan

de trainingsfase.


Vervolgens kregen de twee experimentele condities andere instructies tijdens de

simulatietraining. In de eerste conditie, de leesconditie, werd aan de participanten de instructie

gegeven om de gepresenteerde mentale modellen van de experts, die de volledig uitgewerkte

oplossingen bevatten, te lezen. In de tweede conditie werd aan de participanten gevraagd om het

mentale model van de experten te gaan vergelijken met hun eigen mentaal model. Om dit actief

te kunnen doen, werden hun eigen antwoorden onder de oplossingen van de experten aangeboden

als hulpmiddel. Na ieder scenario werd ook gevraagd of ze het scenario moeilijk vonden en al

ervaring hadden met de aangeboden situaties. Multiplechoicevragen waren tijdens de

trainingsfase een bijkomende aandachtsmeting, die na ieder scenario werden gevraagd om te

toetsen of ze effectief de oplossingen van de experts hadden gelezen. Hiervan werd een somscore

berekend om op te nemen als variabele.

De innovatiescenario’s werden ontwikkeld in het kader van een doctoraatsonderzoek. De

verschillende innovatiescenario’s die aan bod kwamen, waren ontwikkeld door twee

onderzoekers. Als eerste stap verzamelden ze kritische incidenten uit de praktijk van

innovatieprestaties voor de drie innovatiefasen (i.e., ideegeneratie, idee-promotie en idee-

implementatie). Om deze te kunnen verzamelen, werden bij 26 innovatie-experts uit kmo’s binnen

verschillende sectoren een interview afgenomen. Hierdoor konden ze meer dan 150 kritische

incidenten verzamelen die betrekking hadden op de drie fases van het innovatieproces. Bij de

tweede stap werden deze gesorteerd om gelijkaardige incidenten te combineren, niet passende

incidenten te verwijderen en deze toe te wijzen aan de drie innovatiefasen. In de derde stap werden

de incidenten omgezet in specifieke scenario’s. Dit resulteerde in 70 scenario’s, waarvan ze er 9

selecteerden voor hun studie, namelijk 6 voor de trainingsinterventie en 3 voor de kennismetingen

nadien. Het volgende voorbeeld illustreert een innovatiescenario uit posttest 2: ‘Je bedrijf

ontwikkelt kabels voor telecommunicatie. De meest recente kabel die je met je team hebt

ontwikkeld, verhoogt de hoeveelheid en snelheid van datatransfers drastisch en is zojuist op de

markt gelanceerd. Er doen zich echter spoedig problemen voor. In landen met zeer vochtige grond

lijken de kabels te lijden aan waterinfiltratie, waardoor hun prestaties aanzienlijk worden

gehinderd. Het commerciële succes van dit product loopt risico’s. Wat zou je doen?’

Voor de ontwikkeling van de expert modellen op de innovatiescenario’s werden 10 extra

experten uitgenodigd. Aan de hand van gestructureerde interviews, dienden zij het scenario op te

lossen, volgens het ‘Think-Aloud Paradigma’. Vervolgens werden alle overeenkomsten tussen de

oplossingen van deze experts gecombineerd om tot een uitgebreid en gestructureerd expert model

te komen. Voor elk scenario werden in het expert model de verschillende stappen omschreven die


laten zien hoe het innovatiescenario kan worden opgelost, welke innovatieprincipes gebruikt

moeten worden en waarom deze stappen en principes tot een effectief resultaat leiden.

Meetinstrumenten

Trainingsmotivatie. Deze variabele werd nagegaan via zeven items die gebaseerd zijn op

een studie van Tharenou (2001) en gescoord werden op een 5-punt Likertschaal (1 = ‘helemaal

mee oneens’ tot 5 = ‘helemaal mee eens’). Twee voorbeelden hiervan zijn: “Ik probeer zoveel

mogelijk bij te leren van trainingsprogramma’s.” en “Ik geloof dat ik meer bijleer van

trainingsprogramma’s dan anderen.”. Bij item zes (“Trainingen volgen zijn geen hoge prioriteit

voor mij.”) werden de antwoorden gespiegeld, aangezien dit een negatief geformuleerd item was.

Om de betrouwbaarheid van de variabele, die uit verschillende items bestaat, te meten, hebben

we de betrouwbaarheidscoëfficiënt Cronbach’s Alpha gebruikt. Ondanks dat er enkele discussies

in het verleden plaatsvonden over de minimale grote van die maat, besluit Cortina (1993) .70 als

een goede betrouwbaarheid mits enige voorzichtigheid. Zo zal het gebruik van veel items voor

eenzelfde variabele leiden tot een hoge waarde voor Cronbach’s Alpha, maar wijst dit niet per se

op een goede betrouwbaarheid van de schaal. Wanneer we de interne consistentie van

trainingsmotivatie nagaan, komen we op α = .66. Aangezien zich dit net onder de grens van .70

bevindt, zijn we nagegaan of alle items goed meten wat ze dienen te meten. Zo vinden we een

hogere betrouwbaarheid (α = .71) wanneer we item zes verwijderen uit de variabele.

Openness for experience. Deze variabele is gemeten aan de hand van vijf items waarbij

participanten deze items dienden te scoren op een 5-punt Likertschaal (1 = ‘helemaal mee oneens’

tot 5 = ‘helemaal mee eens’). Voorbeelden hiervan zijn “...is nieuwsgierig naar veel verschillende

onderwerpen.” en “...is vindingrijk, denkt goed na.”. Item vier (nl.: “...verkiest routine werk.”)

moest gespiegeld worden om mee te kunnen nemen in de analyses. Cronbachs Alpha (α = .56)

ligt hier wat lager dan de grens van .70, zelf wanneer we item vier verwijderen (α = .61). Hiermee

kunnen we concluderen, dat er een matige interne consistentie is van de schaal.

Innovation Work Behavior. IWG is gemeten aan de hand van ‘de Schaal voor Innovatief

Werkgedrag’ bestaande uit negen items, zoals gebruikt in het onderzoek van Janssen (2000). IWG

werd zowel bij de pretest als bij posttest 2 gemeten. De negen items hebben betrekking op het

genereren, promoten en realiseren van nieuwe ideeën en moesten door de participanten

beoordeeld worden op een 7-punt Likertschaal (1 = ‘nooit’ tot en met 7 = ‘altijd’). Voorbeelden

van items zijn “Maakt andere mensen enthousiast over innovatieve ideeën.” en “Ontwikkelt

originele oplossingen voor problemen.”. De schalen hadden een hoge betrouwbaarheid met

respectievelijk, α = .91 en α = .92 voor de pre- en posttest.


Self-efficacy voor innovatie. Deze variabele werd, net zoals IWG, ook tijdens

verschillende fases in het experiment gemeten. De eerste keer was tijdens de pretest met daarna

nog twee metingen tijdens posttest 1 en posttest 2. Om deze variabele na te gaan, hebben we ons

gebaseerd op het onderzoek van Carmeli & Schaubrouck (2007). Antwoorden door participanten

werden gegeven op een 7-punt Likertschaal (1 = ‘helemaal mee oneens’ tot en met 7 = ‘helemaal

mee eens’). Self-efficacy werd gemeten door acht items waarvan “Ik zal er in slagen om de meeste

van mijn vooropgestelde doelen te bereiken op een innovatieve manier.” en “Ook bij moeilijke

zaken kan ik op een innovatieve manier presteren.” voorbeelden waren. Deze schalen hadden een

hoge interne consistentie met α = .83 voor de pretest, α = .84 voor posttest 1 en α = .87 voor

posttest 2.

Innovatiekennis. Deze uitkomstvariabele werd tijdens de pretest, posttest 1 en posttest 2

van de participanten gemeten via gesimuleerde innovatiescenario’s, gelijkaardig aan de simulaties

die tijdens de training werden aangeboden. Na het lezen van het innovatiescenario kregen de

participanten steeds dezelfde opdracht: “Wat zou je doen bij deze innovatie uitdaging?” en

“Verklaar waarom jouw oplossing juist is”. Deze uitgeschreven oplossingen werden allemaal

gescoord op drie luiken door twee codeerders aan de hand van een codeerschema. Het eerste luik

was de totale score van de oplossing, waar maximum zeven punten mee konden verdiend worden.

De beoordelaars gaven op zeven vragen zoals bijvoorbeeld “Worden meerdere correcte

oplossing-acties gegeven?” en “Zijn er verwijzingen naar andere stappen in het innovatieproces?”

een punt op 7. Het volgende luik gaf een totale score van de verklaring waarbij de beoordelaars

opnieuw de antwoorden scoorden aan de hand van zes vragen waarbij opnieuw maximaal zeven

punten werden gegeven. Twee voorbeelden van deze vragen zijn: “Is er een verantwoording voor

een deel/actie van de oplossing?” en “Gaan ze verder dan een algemene oplossing die je met enkel

algemene kennis kan weten, bevat ze dus specialistische of grondige kennis van de materie?”. Tot

slot werd hun antwoord geanalyseerd door de beoordelaars en werd aangegeven hoeveel

innovatieprincipes ze hadden gebruikt. Er werden hierbij 24 innovatieprincipes vooropgesteld

zoals ‘Info verzamelen & Onderzoek’, ‘Samenwerking klanten’ en ‘Expertise & Kennis’. Deze

innovatieprincipes werden opgesomd tijdens het ontwerpen van de expert modellen. Doorheen de

simulatietraining werden deze dan ook aangeleerd, aangezien deze in de expert modellen vervat

zaten. Voor de verdere analyses houden we dus drie scores over, namelijk de totale score van de

oplossing en deze van de verklaring, samen met het aantal innovatieprincipes. Hiervan werd dan

een somscore berekend die we verder gebruiken om onze hypothesen te toetsen.

Alle scenario’s werden gescoord door twee beoordelaars. Het eerste scenario werd de

participanten voorgelegd tijdens de pretest. Voor beide uitkomstenmaten vonden we een hoge


interbeoordelaarsbetrouwbaarheid (ICC = .946) met een hoge interne consistentie van α = .97. Na

de trainingsfase volgden er twee posttesten waarin telkens twee scenario’s werden gegeven. Het

eerste scenario dat in beide posttesten werd bevraagd, was dezelfde en gelijkaardig aan het

scenario uit de trainingsfase. Het doel was om hier naar het kenniseffect te kunnen kijken. Ook

bij deze somscore hadden we een hoge interbeoordelaarsbetrouwbaarheid (ICC = .986) met

opnieuw een heel hoge interne consistentie van α = .99. Zowel het tweede scenario van posttest 1

als de tweede scenario van posttest 2 waren twee verschillende, volledig nieuwe scenario’s in

vergelijking met het scenario uit de trainingsfase. Het doel hierbij is om in verdere analyses te

kunnen kijken naar het transfereffect van de geleerde kennis uit de training bij nieuwe situaties.

Opnieuw is er een hoge interbeoordelaarsbetrouwbaarheid (ICC = .987 voor scenario 2 posttest 1

en ICC = .997 voor scenario 2 posttest 2) met een hoge interne consistentie van α = .993 en α =

.999, respectievelijk.

Trainingsreacties. Voor deze variabelen werd beroep gedaan op het onderzoek van

Ritzmann, Hagemann & Kluge (2014). De trainingsreacties werden onderverdeeld in twee

variabelen die telkens werden gemeten aan de hand van drie items op een 5-punt Likertschaal (1

= ‘helemaal mee eens’ tot 5 = ‘helemaal mee oneens’) gescoord werden. De eerste variabele was

subjective enjoyment waarvan de interne consistentie hoog was (α = .75). Een voorbeeld van een

item was “De online leeromgeving was aangenaam.”. De tweede variabele, subjective knowledge

gain, die werd bevraagd had eveneens een hoge interne consistentie (α = .83). “Ik zal er in slagen

om ook de nieuwe inzichten te onthouden.”, was een voorbeelditem.

Procedure

Twee weken voor de start van de studie werden alle studenten van het vak ‘Inleiding in

de Bedrijfspsychologie’ ingelicht over de doelstelling, planning en de verschillende stappen van

de studie. Hierbij werd niemand verplicht, maar werd het wel wenselijk bevonden deel te nemen

aan het onderzoek. Alles verliep online en alle communicatie gebeurde via e-mail. Twee weken

later werden de studenten uitgenodigd om deel te nemen aan de pretest. Hierbij werden hun

demografische variabelen bevraagd en dienden ze een eerste innovatiescenario op te lossen.

Verder werd er ook gepeild naar hun trainingsmotivatie, openness for experience, self-efficacy

voor innovatie en innovatief werkgedrag.

Voor de trainingsfase werden de studenten twee weken na de pretest automatisch

uitgenodigd voor de training. Hiervoor werden de studenten gevraagd om nog niet te starten met

de trainingsfase, maar te wachten om deze in te vullen tijdens een aangekondigde les die was

vrijgemaakt, zodat alle studenten op hetzelfde moment en op dezelfde wijze in een stille en


gecontroleerde omgeving de trainingsfase konden doen. Iedere training bestond uit zes

innovatiescenario’s (2 ideegeneratie, 2 ideepromotie en 2 idee-implementatie: zie de paragraaf

‘manipulaties’). Na ieder scenario werd gevraagd of de persoon al ervaring had met het soort

situatie dat ze dienden op te lossen en of ze dit een moeilijke opdracht vonden. Een bijkomende

aandachtscheck in de vorm van een multiplechoicevraag werd na iedere case getoetst om te kijken

of ze effectief de oplossingen van de experts hadden gelezen. Als laatste werden in deze fase ook

de trainingsreacties bevraagd.

Binnen 48 uur na de trainingsfase werden de participanten uitgenodigd om de eerste

posttest in te vullen. De studenten hadden op voorhand een moment kunnen aangeven, zodat ze

er zeker tijd voor zouden vrijmaken. In deze derde fase werd opnieuw gepeild naar self-efficacy

voor innovatie en dienden twee innovatiescenario’s opgelost te worden. Eén scenario hiervan was

gelijkaardig aan een scenario uit de trainingsfase. Op deze manier kon de innovatiekennis

nagegaan worden. Het tweede scenario was een volledig nieuwe situatie en hier werd de

mogelijkheid tot transfereffect naar nieuw situaties nagegaan.

Vier weken na het vervolledigen van de trainingsfase en het invullen van de eerste

posttest, werden ze automatisch uitgenodigd op de tweede posttest. Opnieuw werd hier gepeild

naar hun self-efficacy voor innovatie en hun IWG. Nadien dienden de participanten twee

innovatiescenario’s op te lossen, één om te peilen naar leereffect (gelijkaardig aan het scenario

uit de trainingsfase) en één om te kijken hoe de transfer naar nieuwe situaties verloopt. Figuur 1

geeft de schematische design weer van de procedure.

Figuur 1. Schematische design van de procedure.


Statistische analyses

Achtergrondvariabelen novices. Aangezien er een vrij groot verschil zit tussen het

aantal vrouwelijke en mannelijke participanten werd met een onafhankelijke t-test nagegaan of er

al dan niet verschillen zaten tussen beide groepen met betrekking tot de innovatiekennis tijdens

de pretest. De test geeft aan dat de mannen een gemiddelde score van 5.84 halen, wat iets hoger

ligt dan de gemiddelde score bij de vrouwen (M = 5.81). De bijhorende standaarddeviaties

(respectievelijk SD = 2.48 en SD = 2.74) geven aan dat de vrouwen een iets bredere range van

antwoorden geven dan mannen. In Levene’s test voor gelijkheid van de varianties vinden we

homogeniteit van de varianties voor de innovatiekennis voor mannen en vrouwen (p = .35). In de

output van de onafhankelijke t-toets vinden we geen statistisch significante resultaten van

innovatiekennis tijdens de pretest tussen mannen en vrouwen (t (209) = -.56, p = .57). De

hypotheses kunnen dus getoetst worden zonder rekening te moeten houden tussen oorspronkelijke

verschillen in geslacht.

Uitval van participanten. Vooraleer de uitkomsten geanalyseerd konden worden, diende

er eerst getest te worden of de uitval van participanten een invloed heeft per fase. Er werd een

one-way ANOVA uitgevoerd om te bepalen of de verschillende variabelen tijdens de pretest (nl.,

trainingsmotivatie, openness, IWG, self-efficacy en de somscore van de innovatiekennis), anders

waren voor de participanten die niet alle fases doorliepen en het onderzoeksproces dus niet

helemaal hebben afgewerkt in vergelijking met participanten die dit wel deden. De deelnemers

werden ingedeeld in vijf groepen: participanten die werden uitgenodigd maar verder geen stappen

ondernamen, participanten die enkel de pretest vervolledigden, participanten die de training

volledig hebben doorlopen, de vierde groep waren zij die posttest 1 hebben afgerond en als laatste

hebben we de groep die ook posttest 2 heeft afgerond. Verder werd een Levene’s test uitgevoerd

om na te gaan of de varianties van de errortermen over de fases heen, gelijk zijn voor de score

voor innovatie van de pretest. Het resultaat van deze test is niet significant (p = .97), waardoor

we kunnen besluiten dat er homogeniteit van de varianties is en de one-way ANOVA mag worden

uitgevoerd. Op basis van de one-way ANOVA werden geen statistisch significante verschillen

tussen de verschillende groepen gevonden voor de innovatiekennis.

Daarnaast werden ook de eventuele verschillen tussen de groepen, naargelang de

afgeronde fase, op de andere variabelen naast de innovatiekennis (gemeten tijdens de pretest)

nagegaan. Om te kijken of er een verschil was bij de andere variabelen die in de pretest werden

gemeten over de verschillende fases heen, werd ook een one-way ANOVA uitgevoerd. Bij de test

voor homogeniteit van de varianties kunnen we uit de resultaten concluderen dat Levene’s tests

niet significant zijn en de varianties van de errortermen over de fases heen dus gelijk zijn voor


alle gemeten variabelen tijdens de pretest. Hierdoor kunnen we dus besluiten dat er voor alle

variabelen die gemeten werden tijdens de pretest, een one-way ANOVA mag worden uitgevoerd.

De resultaten hiervan worden weergegeven in Tabel 3. Uit deze tabel kunnen we concluderen, dat

er geen statistisch significante verschillen zijn tussen de verschillende fases op de variabelen

gemeten tijdens de pretest.

Tabel 3

One-way ANOVA van de verschillende fases op de variabelen gemeten tijdens de pretest

Variabelen F df Sig.

Pretest score voor innovatie .97 3 .41

Trainingsmotivatie 1.17 4 .33

Openness 2.11 4 .08

IWG 1.29 4 .27

Self-efficacy voor innovatie 1.44 4 .22

Toetsen van conditieverschillen. De laatste stap vooraleer de hypotheses worden

getoetst, is om na te gaan of er conditieverschillen zijn voor de variabelen gemeten tijdens de

pretest. In deze paragraaf worden aan de hand van one-way ANOVA’s nagegaan of er significante

verschillen zijn voor de training tussen de drie verschillende condities (i.e. leesconditie,

vergelijkingsconditie en de conditie zonder training) in innovatiekennis, trainingsmotivatie,

openness, IWG en self-efficacy voor innovatie. Levene’s test die nagaat of de varianties van de

errortermen over de condities heen gelijk zijn, werd nagegaan. De p-waarde was voor alle

variabelen gemeten in de pretest, groter dan .05. Het resultaat van deze test is dus niet significant

waardoor er kan besloten worden dat er homogeniteit van de varianties is en de one-way ANOVA

mag worden uitgevoerd. In Tabel 4 worden de resultaten weergegeven van deze analyses en kan

geconcludeerd worden dat er voor de start van de training geen statistisch significante verschillen

zijn tussen de drie condities op de variabelen gemeten tijdens de pretest.

Tabel 4

One-way ANOVA van de verschillende condities op de variabelen gemeten tijdens de pretest

Variabelen F df Sig.

Pretest score voor innovatie 1.28 2 .28

Trainingsmotivatie 1.04 2 .35

Openness .09 2 .92

IWG 1.79 2 .17

Self-efficacy voor innovatie .61 2 .54


Om het verschil tussen de controlegroep, de groep zonder training en de twee condities

die wel de simulatietraining hebben gehad, na te gaan op innovatieprestatie werd gebruik gemaakt

van een one-way ANCOVA met pretest score voor innovatie als covariaat (hypothese 1). Ook

werd hypothese 2, die zich meer verdiept tussen de verschillen van de twee experimentele

condities, namelijk de leesconditie en de vergelijkingsconditie, ook aan de hand van een one-way

ANCOVA getest. Verder worden nadien ook nog post-hoc tests uitgevoerd om te kijken waar

precies de verschillen tussen de condities zitten. Om het verschil tussen participanten met een

hoge en lagere trainingsmotivatie na te gaan (hypothese 3), doen we opnieuw beroep op een one-

way ANCOVA. Alle analyses werden uitgevoerd in SPSS Statistics v.25.

Resultaten

Beschrijvende statistieken

Eerst werd gekeken naar de gemiddelden, standaarddeviaties en correlaties van de

demografische variabelen (leeftijd, conditie, geslacht en studie), de motivationele uitkomsten bij

de pretest, posttest 1 en posttest 2 (trainingsmotivatie, openness, IWG, self-efficacy voor

innovatie, subjective enjoyment en subjective knowledge gain) en de cognitieve uitkomsten

(innovatiekennis bij de pretest, innovatiekennis bij posttest 1 en 2 en innovatiekennistransfer bij

posttest 1 en 2). Tabel 5 toont hiervan de resultaten waarbij het belangrijk is om op te merken dat

de correlaties die in de tabel staan, niets zeggen over de mogelijke causale verbanden. Een eerste

belangrijke significante relatie vinden we tussen de conditie en de scores voor innovatiekennis

van de posttesten. Voor de innovatiekennisscore van posttest 1 vinden we r = -.29 (p < .01), voor

de innovatiekennistransferscore van posttest 1 vinden we r = -.41 (p < .01), en voor de

innovatiekennisscore van posttest 2 vinden we r = -.21 (p < .05). Opmerkelijk hierbij is, dat we

dit significante resultaat niet vinden bij de innovatiekennistransferscore van posttest 2, (r =.03, p

> .05). Een andere significante relatie vinden we tussen trainingsmotivatie en de variabelen self-

efficacy op alle drie de metingen en IWG op de twee metingen. Daarnaast is er ook een

significante relatie tussen trainingsmotivatie en openness. In tabel 5 worden de exacte gegevens

weergegeven. Verder is er ook een significante relatie tussen trainingsmotivatie en de scores van

de innovatiekennistest van posttest 2 (r = .30, p < .01). Tot slot observeren we ook de verwachte

significante relaties tussen alle vijf de somscores op de verschillende innovatiescenario’s, zowel

op de pretest als bij de twee posttesten. Deze relaties liggen allemaal tussen .23 en .63. Hierdoor

kunnen we ook concluderen dat we de pretest score voor innovatie in verdere analyses kunnen

gebruiken als covariaat.


Resultaten hypotheses

Hypothese 1. In de eerste hypothese wordt verwacht dat participanten die een

simulatietraining voor innovatiekennis doorlopen betere resultaten zullen behalen op een post

innovatiekennistest en innovatiekennistransfertest dan participanten die geen training krijgen. Om

deze hypothese te toetsen, maken we gebruik van een one-way ANCOVA. Deze analyse wordt

gezien als een uitbreiding van een one-way ANOVA met het verschil dat ook een covariaat wordt

toegevoegd. Door deze covariaat, die gerelateerd is aan de afhankelijke variabele, op te nemen in

de analyses kunnen we mogelijke conditieverschillen beter detecteren. We gebruiken deze one-

way ANCOVA dus om te kijken of er statistisch significante verschillen zijn tussen de drie

condities. In de eerst volgende alinea gaan we dit na voor de scores op de innovatiekennistest

gemeten tijdens posttest 1. Daarna wordt hetzelfde getoetst voor de scores op de

innovatiekennistransfertest gemeten tijdens posttest 1 en in de laatste alinea van dit onderdeel

worden de scores van de twee cognitieve testen gemeten tijdens posttest 2 getoetst.

Innovatiekennis – Posttest 1

Vooraleer we deze analyse konden uitvoeren, moest er aan een aantal assumpties worden

voldaan. De eerste, die grafisch werd nagegaan en gevonden, is dat het verband tussen de

covariaat (pretest score voor innovatie) en de afhankelijke variabele, lineair is. Daarnaast is ook

aan de assumptie voor homogeniteit van de regressiehellingen voldaan (F(2, 136) = 0.95, p = .39),

aangezien de interactieterm niet statistisch significant is. Verder waren de gestandaardiseerde

residuen voor de interventies niet normaal verdeeld voor de vergelijkingsconditie en de groep die

geen training kreeg. Dit bleek uit de resultaten van Shapiro-Wilk’s test (leesconditie p = .06,

vergelijkingsconditie p = .02 en geen training p = .03). Aangezien de steekproefgrootte (met name

de aantallen in elke groep) zo goed als gelijk is, kunnen we deze assumptie even achterwege laten.

Dit komt omdat deze niet-normaliteit geen grote invloed heeft op type I fouten en de one-way

ANCOVA als robuust kan beschouwd worden. Na het uitvoeren van een spreidingsdiagram werd

homoscedasticiteit van de gestandaardiseerde residuen gevonden ten opzichte van de voorspelde

waarden. Na Levene’s test over gelijkheid van de errorvarianties werd een significant resultaat (p

= .01) gevonden, waaruit blijkt dat de varianties tussen de groepen niet gelijk zijn. Aangezien we

hiermee deze assumptie niet konden bevestigen, werd een onafhankelijke t-toets uitgevoerd,

waarbij de verschillen tussen de varianties over de groepen niet significant werden bevonden en

we dus kunnen verder gaan met de volgende analyses. Er werden geen outliers gevonden in de

gebruikte data, die de resultaten zouden kunnen misleiden. De resultaten van de one-way

ANCOVA (zie Tabel 6) leren ons dat er een verschil is tussen de drie verschillende condities op


de innovatiekennistest van posttest 1, nadat er rekening werd gehouden met de covariaat pretest

score voor innovatie (F (2,138) = 11.76, p < .001 partial η2 = .15). Waar precies de verschillen

tussen de drie condities zitten, kunnen we niet zien door het uitvoeren van deze omnibus test en

gaan we na aan de hand van een post-hoc test. De hypothese stelt dat de twee experimentele

condities verschillen met de conditie die geen training kreeg. Om dit te toetsen werd een

Bonferroni post-hoc test uitgevoerd. De kennisscore op de innovatiekennistest van posttest 1 was

statistisch significant hoger in de leesconditie (Mdiff = 1.08, 95% [0.47, 3.14], p <.05) en in de

vergelijkingsconditie (Mdiff = 2.61, 95% [1.27, 3.95], p <.001) in vergelijking met de conditie

die geen training had. Dit bevestigt dus hypothese 1. Figuur 2 geeft ons de grafische weergave

van de verschillen tussen de drie condities.

Figuur 2. Grafische weergave van de drie condities op de innovatiekennistest van posttest 1.

Innovatiekennistransfer – Posttest 1

Hypothese 1 werd ook nagegaan bij de uitkomstvariabelen op de andere

innovatiescenario’s, zoals bij de innovatiekennistransfertest van posttest 1. Opnieuw werd

grafisch nagegaan of de relatie tussen de afhankelijke variabele (score voor innovatie op de

kennistransfertest voor posttest 1) en de covariaat lineair is. Hierbij werd opnieuw een lineair

verband gevonden. Ook voor de innovatiekennistransfertest is aan de assumptie voor

homogeniteit van de regressiehellingen voldaan met F(2, 136) = 2.32, p = .10, aangezien de

4

4,5

5

5,5

6

6,5

7

7,5

8

Leesconditie Vergelijkingsconditie Geen training

Gem

idd

eld

e in

no

vati

eken

nis

sco

re o

p

po

stte

st 1

Conditie


interactieterm niet statistisch significant is. Verder waren de gestandaardiseerde residuen voor de

twee experimentele groepen (respectievelijk p = .99 en p = .16) normaal verdeeld. Maar dit

resultaat werd door het uitvoeren van Shapiro-Wilk’s test niet gevonden voor de trainingsconditie

(p = .01). Opnieuw vonden we homoscedasticiteit door de visuele interpretatie van het

spreidingsdiagram te beoordelen. Levene’s test voor de gelijkheid van varianties toont aan dat er

geen statistisch significant verband is (p = .32). De varianties zijn dus gelijk over de drie condities.

Verder werd ook bij de kennistransfertest voor innovatie van posttest 1 geen outliers gevonden

die de resultaten zouden kunnen beïnvloeden. De resultaten van de one-way ANCOVA (zie Tabel

6) leren ons, dat er een verschil is tussen de drie condities op de transferscores uit posttest 1, nadat

er opnieuw rekening werd gehouden met de covariaat pretest score voor innovatie (F(2,138) =

13.43, p < .001 partial η2 = .16). Na het uitvoeren van Bonferroni’s post-hoc test, vonden we dat

de transferscore op posttest 1 statistisch significant hoger lag in de leesconditie (Mdiff = 2.49,

95% [1.20, 3.78], p <.05) en in de vergelijkingsconditie (Mdiff = 2.26, 95% [0.96, 3.56], p <.001)

in vergelijking met de conditie die geen training had. Figuur 3 geeft een grafische weergave van

verschillen tussen de drie condities. Opnieuw kunnen we hypothese 1 bevestigen met de resultaten

van de analyses met de kennistransfertest voor innovatie van posttest 1 als afhankelijke variabele.

Figuur 3. Grafische weergave van de drie condities op de kennistransfertest van posttest 1.

4

4,5

5

5,5

6

6,5

7

7,5

8

8,5

Leesconditie Vergelijkingsconditie Geen training

Gem

idd

eld

e in

no

vati

eken

nis

tran

sfer

sco

re o

p

po

stte

st 1

Conditie


Innovatiekennis en innovatiekennistransfer – Posttest 2

De volgende twee uitkomstvariabelen die werden getoetst zijn de innovatiekennis en

innovatiekennistransfer van posttest 2. Opnieuw werd een lineair verband gevonden tussen de

covariaat en de twee uitkomstvariabelen van posttest 2. De interactieterm werd niet significant

bevonden, waardoor we kunnen besluiten dat er aan de assumptie voor homogeniteit van de

regressiehellingen werd voldaan (F(2,86) = .05, p = .95 voor innovatiescenario 1 en F(2,86) =

.99, p = .38 voor innovatiescenario 2). Na het uitvoeren van Shapiro-Wilk’s test werd voor de

innovatiekennis gevonden dat de gestandaardiseerde residuen enkel voor de vergelijkingsconditie

en de conditie die geen training had, normaal verdeeld waren (p = .39 en p = .86) en bij de

innovatiekennistransfer vonden we enkel een normale verdeling van de conditie die geen training

had (p = .44). De leesconditie van de innovatiekennistest van posttest 2 en de lees- en

vergelijkingsconditie van de innovatiekennistransfertest van posttest 2 hadden een p-waarde

kleiner dan .05 en waren bijgevolg niet normaal verdeeld. Daarnaast werd aan de assumptie van

homoscedasticiteit van de gestandaardiseerde residuen voldaan. Levene’s test voor de gelijkheid

van varianties toont aan dat er geen statistisch significant verband is (respectievelijk p = .99 en p

= .26). De resultaten van de one-way ANCOVA leren ons dat er geen statistisch significant

resultaat wordt gevonden tussen de drie condities voor de innovatiekennistest en

innovatiekennistransfertest van posttest 2, nadat er opnieuw rekening werd gehouden met de

covariaat pretest score voor innovatie (respectievelijk vonden we F(2,88) = 2.45, p = 0.09 partial

η2 = .05 en F(2,88) = 0.09, p = 0.92 partial η2 = .002).

Tabel 6

Gemiddelden en standaarddeviaties voor alle cognitieve uitkomsten van posttest 1 en 2 met

pretest score voor innovatie als covariaat

Variabelen Conditie N M SD

Innovatiekennis-

test posttest 1

Leesconditie 47 6.74 3.42

Vergelijkingsconditie 45 7.55 2.66

Geen training 50 4.94 2.31

Innovatiekennis-

transfertest posttest 1




Innovatiekennis-

test posttest 2




Innovatiekennis-

transfertest posttest 2




Noot: N = aantal participanten, M = gemiddelde, SD = standaarddeviatie


Na deze analyses kunnen we dus concluderen dat de eerste hypothese werd bevestigd

voor de scores op de innovatiekennistest en de innovatiekennistransfertest van posttest 1, maar

we dezelfde statistisch significante resultaten niet terug vonden bij de innovatiekennistest en

innovatiekennistransfertest van posttest 2. Aangezien we voor posttest 1 het statistische

significante resultaat voor beide scenario’s vinden, kunnen we concluderen dat de

simulatietraining zowel effect heeft op de innovatiekennis, gemeten door een gelijkaardig

scenario als in de training, als op de transferkennis, gemeten door een nieuw scenario ten opzichte

van de trainingsscenario’s.

Hypothese 2. Om de tweede hypothese te toetsen gaan we op dezelfde wijze te werk als

bij het toetsen van hypothese 1. In hypothese 2 willen we het verschil in instructie tijdens de

simulatietraining nagaan. Hierbij maakten we een onderscheid tussen twee experimentele

condities, namelijk de leesconditie en de vergelijkingsconditie. Bij de eerste experimentele groep

werd gevraagd om het mentale model van de expert te lezen, terwijl in de tweede conditie een

actieve vergelijking tussen het eigen mentale model met het mentale model van de expert

verwacht werd. De tweede hypothese voorspelt dat de participanten uit conditie 2, die hun eigen

mentaal model actief hebben moeten vergelijken, hoger zullen scoren op de posttesten dan

participanten uit de leesconditie. Bij deze hypothese kijken we dus enkel naar de twee

experimentele groepen en niet naar de conditie die geen training heeft gekregen. Om deze

hypothese te toetsen, gebruiken we opnieuw de one-way ANCOVA zoals bij hypothese 1.

Aangezien hypothese 1 bevestigd werd en we dus kunnen zeggen dat een simulatietraining voor

innovatieprestatie een positief effect heeft op de experimentele groepen in tegenstelling tot de

controlegroep die geen training kreeg, gaan we bij deze hypothese na, aan de hand van de post-

hoc testen, wat het exacte verschil is tussen de leesconditie en de vergelijkingsconditie. In Tabel

6 vinden we de gemiddelden en standaarddeviaties van de verschillende condities op de twee

scenario’s van posttest 1. Tabel 7 geeft ons een beter overzicht van de verschillen tussen de

leesconditie en de vergelijkingsconditie nadat een Bonferroni test werd uitgevoerd. We vinden

voor de innovatiekennistest van posttest 1 een hogere innovatiescore bij de vergelijkingsconditie,

dan bij de leesconditie. Voor de innovatiekennistransfertest van posttest 1 vinden we een hogere

score bij de leesconditie in vergelijking met de vergelijkingsconditie. Ondanks we beide

verschillen in Figuur 2 en 3 visueel kunnen vaststellen, is dit resultaat niet statistisch significant.

Hiermee kunnen we de tweede hypothese niet bevestigen.


Tabel 7

Paarsgewijze vergelijking van de toegewezen experimentele conditie op posttest 1

Innovatiekennistest Leesconditie

I

Vergelijkingsconditie

J

Gemiddelde

verschil I-J

Std Error Sig.

Posttest 1 scenario

1

Leesconditie Vergelijkingsconditie -.81 .56 .46

Posttest 1 scenario

2

Leesconditie Vergelijkingsconditie .23 .54 1

Noot: Sig.: *p < .05

Aangezien we bij de eerste hypothese geen statistisch significant resultaat vonden bij het

vergelijken van de drie condities bij de twee scenario’s van posttest 2, is het ook niet van

toepassing om verdere post-hoc testen uit te voeren, om na te gaan waar de specifieke verschillen

zitten tussen de condities.

Hypothese 3. In de derde hypothese wordt verwacht dat mensen met een hoge

trainingsmotivatie hoger zullen scoren op een innovatiekennistest en de

innovatiekennistransfertest na hun training dan participanten met een lagere trainingsmotivatie.

Hiervoor hebben we de participanten uit de twee experimentele condities opgedeeld in drie

groepen, namelijk participanten met een lage, gemiddelde of hoge trainingsmotivatie. Opnieuw

gaan we dit toetsen aan de hand van een one-way ANCOVA. Zo kan weer rekening gehouden

worden met de pretest score voor innovatie als covariaat. Om deze covariaat te kunnen gebruiken,

moeten eerst opnieuw een aantal assumpties worden getest. Als eerste stap wordt er via een one-

way ANOVA nagegaan of de scores van de covariaat voor de drie groepen ongeveer gelijk zijn.

In Tabel 8 vinden we een overzicht van de gemiddelden en standaarddeviaties voor de drie

groepen. Aan de hand van Levene’s test gingen we na of de varianties over de drie groepen

ongeveer gelijk zijn. We vinden geen significant resultaat (p = .27), dus we kunnen besluiten, dat

er homogeniteit is over de varianties heen. Verder kan er geconcludeerd worden dat de

gemiddelden over de drie groepen ongeveer gelijk zijn (F(2, 186) = 1.09, p = .34). Nu geweten is

dat de pretest score van innovatie als covariaat mag gebruikt worden in onze analyse, gaan we in

de volgende alinea’s de one-way ANCOVA’s uitvoeren voor de vier verschillende innovatie-

uitkomsten gemeten tijdens posttest 1 en 2. De eerste alinea beschrijft de gevonden resultaten

voor de innovatiekennistest van posttest 1, de tweede alinea beschrijft de resultaten voor de

innovatiekennistransfertest van posttest 1 en in de derde alinea komen de resultaten van deze twee

cognitieve testen van posttest 2 aan bod.


Tabel 8

Gemiddelden en standaarddeviaties van trainingsmotivatie op pretest score voor innovatie

Groep motivatie n M SD

Lage trainingsmotivatie 20 6.20 2.95

Gemiddelde trainingsmotivatie 121 5.60 2.68

Hoge trainingsmotivatie 48 5.81 2.49

Innovatiekennis – Posttest 1 – Trainingsmotivatie

Een volgende assumptie die werd getest, is of de relatie tussen de covariaat en de

afhankelijke variabele hetzelfde is binnen de drie groepen. Na analyse vinden we dat er aan de

assumptie van gelijke regressiecoëfficiënten is voldaan. We vinden dat de interactieterm niet

significant is (F(1,88) = 2.26, p = .14). Na het uitvoeren van Shapiro-Wilk’s toets, vinden we

enkel een normale verdeling van de residuen bij de groep met een hoge motivatie (p = .13) en bij

de groep met een lage motivatie (p = .40). Bij de groep met een gemiddelde motivatie (p < .05)

werd deze normale verdeling niet gevonden, maar aangezien de one-way ANCOVA hier vrij

robuust tegen is, wordt besloten om de analyse toch uit te voeren. Verder vinden we dat er

homoscedasticiteit is van de gestandaardiseerde residuen uitgezet tegen de voorspelde waarden.

Aan de hand van Levene’s test vonden we dat er homogeniteit van de varianties was (p = .29) van

de afhankelijke variabele innovatiekennis van posttest 1. Verder werden er geen outliers in de

data gevonden. Zoals in Tabel 9 ook wordt weergegeven, vinden we dat participanten met een

hoge trainingsmotivatie hoger scorer op de innovatiekennistest van posttest 1, dan participanten

die een lagere trainingsmotivatie hebben, rekening houdend met de covariaat. Wanneer echter

wordt gekeken of dit resultaat significant is, kan dit niet bevestigd worden (F(2, 137) = 1.59, p =

.21, partial η2 = .02). In de volgende alinea’s wordt dit opnieuw getest voor de andere innovatie-

uitkomsten.

Innovatiekennistransfer – Posttest 1 - Trainingsmotivatie.

Ook bij de innovatiekennistransfertest werd aan de assumptie van homogeniteit van de

regressiecoëfficiënten voldaan. We vinden dat de interactieterm statistisch niet significant is

(F(2,137) = 1.68, p = .19). Na het uitvoeren van Shapiro-Wilk’s test, vinden we een normale

verdeling van de residuen bij de groep met een lage motivatie (p = .79), bij de groep met een

gemiddelde motivatie (p = .27) en bij de groep met een hoge motivatie (p = .37). Verder vinden

we dat er homoscedasticiteit is van de gestandaardiseerde residuen uitgezet tegen de voorspelde


waarden. Aan de hand van Levene’s test vonden we, dat er homogeniteit van de varianties was (p

= .14) van de afhankelijke variabele innovatiekennistransfer posttest 1. Verder werden er geen

outliers in de data gevonden. Zoals in Tabel 9 ook wordt weergegeven, vinden we dezelfde

resultaten als bij de eerste test bij posttest 1. Zo wordt een hogere score op de

innovatiekennistransfertest van posttest 1 gevonden bij de groep met een gemiddelde en hoge

trainingsmotivatie. Dit resultaat is echter statistisch niet significant (F(2,137) = 2.45, p = .09,

partiële η2 = .03). In de volgende twee alinea’s kijken we of er wel een statistisch significant

effect van trainingsmotivatie op posttest 2 kan worden gevonden.

Innovatiekennis en innovatiekennistransfer – Posttest 2 - Trainingsmotivatie.

Op dezelfde wijze, zoals beschreven in de alinea’s hierboven, werden de assumpties

getoetst om de one-way ANCOVA te kunnen gebruiken bij de cognitieve uitkomsten van posttest

2. Wanneer deze toets werd uitgevoerd, vinden we dat participanten met een hoge

trainingsmotivatie opnieuw een stuk hoger scoren dan participanten met een lage

trainingsmotivatie (zie Tabel 9). Dit resultaat is bij de innovatiekennistest van posttest 2 statistisch

significant bewezen (F(2,88) = 3.43, p = .04, partiële η2 = .07). Bijgevolg kan hypothese 3

bevestigd worden.

Verder vinden we in Tabel 9 opnieuw een veel hogere gemiddelde score op de

innovatiekennistransfertest van posttest 2 bij de groep met een hoge motivatie in vergelijking met

de groep met een lage trainingsmotivatie. Dit resultaat is statistisch significant bewezen (F(2,88)

= 3.46, p = .04, partiële η2 = .07) op het 5% significantieniveau. Hypothese 3 kan dus bevestigd

worden voor zowel de innovatiekennis en innovatiekennistransfer van posttest 2.

Tabel 9

Gemiddelden en standaarddeviaties voor alle cognitieve uitkomsten van posttest 1 en 2 met pretest score

voor innovatie als covariaat in de verschillende motivatiecondities

Variabelen Conditie M SD

Innovatiekennis-

test posttest 1

Lage motivatie 5.28 2.00

Gemiddelde motivatie 6.37 2.86

Hoge motivatie 6.79 3.57

Innovatiekennis-transfertest

posttest 1




Innovatiekennis-test posttest 2




Innovatiekennis-transfertest

posttest 2




Noot: M = gemiddelde, SD = standaarddeviatie


Na deze analyses kunnen we dus concluderen dat de derde hypothese werd bevestigd door

de scores op de innovatiekennistest en de innovatiekennistransfertest van posttest 2, maar dat we

dezelfde statistisch significante resultaten niet terug vonden bij de innovatiekennistest en

innovatiekennistransfertest van posttest 1.

Discussie

Aangezien innovatiekennis een steeds belangrijker instrument is om (bedrijfs)successen

na te streven en er in het verleden nog maar weinig onderzoek is uitgevoerd naar hoe we

innovatiekennis kunnen trainen of stimuleren (Tzou & Anderson, 2014), probeert deze studie hier

verandering in te brengen. In deze masterproef werd er nagegaan of de innovatiekennis van

studenten verhoogd kan worden door hen een simulatietraining over innovatie te laten volgen.

Bijkomend werd hierbij nagegaan of dit zowel een effect had op de innovatiekennistest, als op

een innovatiekennistransfertest. Om dit te meten werd in de posttests gebruik gemaakt van twee

verschillende scenario’s, waarvan één gelijkaardig was aan deze uit de training en één volledig

nieuw scenario. Daarnaast werd gekeken of de instructie (namelijk het mentale model van de

expert lezen of het mentale model actief gaan vergelijken met hun eigen mentaal model), die

wordt meegegeven tijdens een simulatietraining, effect had op de resultaten van een

innovatiekennistest en een innovatiekennistransfertest. Tot slot werd er in deze studie ook

nagegaan of de trainingsmotivatie, die gemeten werd voor de training, een invloed had op de

innovatiekennis en de innovatiekennistransfer.

De eerste hypothese in deze studie, die verwacht dat participanten die een

simulatietraining krijgen hoger zullen scoren op cognitieve posttesten, werd bevestigd bij posttest

1. De kennisscore die gemeten werd, lag statistisch significant hoger bij de participanten uit de

leesconditie en nog hoger bij de participanten uit de vergelijkingsconditie ten opzichte van de

conditie die geen training had. Ook lagen de scores op de innovatiekennistransfertest van posttest

1 bij de twee experimentele condities statistisch significant hoger ten opzichte van de

participanten die geen training kregen. Vogel et al. (2006) vonden in hun onderzoek dat digitale

simulatie tot een hogere score op procedurele kennis, die we nodig hebben bij innovatieprestatie,

zal leiden. Verder bevestigt Sitzmann (2011) dit ook in haar meta-analyse. Net zoals in deze studie

werd bevestigd, concluderen Lachner et al. (2015) dat door de uitgebreide kennis van experten te

gebruiken, we de procedurele kennis kunnen verhogen. Een mogelijke verklaring hiervoor kan

zijn dat de verklaringen van experten een samenhangend geheel vormen (Lachner et al., 2015) en

volgens Mayer (2008) is dit ook één van de assumpties waaraan een simulatietraining moet

voldoen om leereffecten tot gevolg te hebben. Zo haalt Rittle-Johnshon & Star (2007) aan dat het

leren afhankelijk is van wat er vergeleken wordt. In hun studie was de eerste vergelijkingsconditie


het vergelijken van oplossingsmethoden (wat het meest effectief bleek), de tweede omvatte het

vergelijken van problemen en als laatste het vergelijken van gelijkaardige problemen. Dit komt

omdat de trainees door de stapsgewijze oplossing zich kunnen focussen op het specifieke

probleem in plaats van onnodig doelloos te zoeken. Dit wordt in de literatuur vaak als de

‘cognitieve belastingstheorie’ omschreven (Lee & Anderson, 2013). Experten beschikken door

hun jarenlange ervaring en expertise over stapsgewijze oplossingen die tijdens trainingen aan

novices kunnen worden aangeboden.

Vervolgens werd onderzocht of dezelfde significante resultaten werden gevonden voor

de cognitieve testen tijdens posttest 2. De resultaten tonen aan, na het vergelijken van de

gemiddelden tussen de verschillende condities, dat er duidelijke verschillen zijn tussen de conditie

die geen training kreeg en de condities die wel training kregen bij de innovatiekennistest. Dit

resultaat werd echter niet statistisch significant bewezen. Hierbij kunnen we dus met de nodige

voorzichtigheid suggereren dat er effect is tussen de verschillende condities op de kennisscore,

maar dat hier verder onderzoek naar dient te gebeuren. Wanneer we echter kijken naar de

transferscore die door scenario 2 gemeten wordt, vinden we amper een verschil tussen de

gemiddelden van de verschillende condities. Een mogelijke verklaring hiervoor kan zijn, dat de

aangereikte kennis wel nuttig is op korte termijn, maar er dus naar manieren gezocht moet worden,

dat deze kennis ook langer blijft hangen in het geheugen en daar ook voor langere termijn wordt

opgeslagen. Simulatietrainingen kunnen de leeruitkomsten dus verbeteren mits een goede

toepassing, wat in de studie van Arnab en Clarke (2016) ook geconcludeerd wordt. Een andere

mogelijke verklaring kan zijn dat door uitval van participanten de steekproefgroottes in iedere

conditie vrij laag waren. Bij de analyse van een grotere steekproef zouden mogelijks andere

resultaten worden gevonden dan wat nu het geval was voor posttest 2.

De tweede hypothese in deze studie, die stelde dat participanten tijdens een

simulatietraining hun eigen mentaal model actief vergelijken met het mentaal model van experten,

betere resultaten zullen behalen op een innovatiekennis- en transfertest in tegenstelling tot

participanten die tijdens de simulatietraining de instructie kregen om de expert modellen passief

te lezen, werd niet bevestigd. Verschillende onderzoeken zoals van Thorton en collega’s (1990)

tonen aan dat trainees meer leren in een simulatie wanneer ze verwacht worden actief te werken

in een simulatie dan wanneer ze de info op een passieve manier moeten verwerken. Ook Gadgil

et al. (2012) vinden in hun studie bewijs dat het vergelijken van mentale modellen (eigen mentaal

model met expert mentaal model) tot een grotere kennisherziening leidt, dan bij de groep waar

het expert model gewoon verklaard werd. De verwachtingen dat de vergelijkingsconditie hoger

zou scoren dan de leesconditie op de innovatiescenario’s, konden we niet statistisch significant


bevestigen. In een studie van Rittle-Johnson & Star (2007) bewijzen de onderzoekers dat de

vergelijking van oplossingen tussen klasgenoten leidt tot hogere procedurele kennis en

flexibiliteit dan bij de controlegroep (Lee & Anderson, 2013). Dit wil echter niet zeggen dat alle

vergelijkingen leiden tot deze positieve resultaten. Instructies van een expert model zorgen ervoor

dat de juiste oplossingen en verklaringen worden geleerd en leiden novices naar de specifieke

informatie die geleerd moet worden, leggen de nadruk op de kritieke kenmerken in de

voorbeelden, maken het gebruik van de tijd efficiënter door onnodig zoeken te vermijden en laten

het werkgeheugen minder afzien door te focussen op essentiële leeractiviteiten. De nadelen zijn

dat de oplossingen nadien niet altijd goed herinnerd worden, men enkel leert wat er in de instructie

staat en niets meer, dat het novices niet uitdaagt om grondig over het onderwerp te redeneren en

dat het zorgt voor afleiding als de verschillende informatiebronnen niet geïntegreerd zijn.

Een derde hypothese van de studie was om na te gaan of een hogere trainingsmotivatie

tot betere kennisuitkomsten zal leiden. Malone’s theorie (1981) leerde ons onder andere dat

trainees die meer motivatie vertonen, meer kennis zullen verzamelen en die opgedane kennis in

de toekomst ook vaker zullen toepassen. Onze derde hypothese, die zegt dat participanten met

een hoge motivatie, hoger zullen scoren op de innovatiekennistesten en

innovatiekennistransfertesten dan participanten met een lagere trainingsmotivatie, werd bevestigd

tijdens posttest 2. Er werd voor alle vier de cognitieve testen een hogere score vastgesteld bij de

hoge motivatie conditie in vergelijking met de groep die een lage trainingsmotivatie had. Dit

resultaat werd echter enkel statistisch significant bevonden in de tweede posttest en niet bij

posttest 1. Dit is een eerder opmerkelijk resultaat. Wanneer we het resultaat op de

innovatiekennistransfertest van posttest 1 nagaan, vinden we een veel hogere score voor de hoog

gemotiveerde participanten en ook hier is het resultaat niet statistisch significant met Alpha .05.

We vinden echter wel een significant resultaat wanneer het significantieniveau op .10 ligt. Hier

moet natuurlijk met de nodige voorzichtigheid mee omgegaan worden. Het biedt echter wel

mogelijkheden voor toekomstig onderzoek om dezelfde analyses na te gaan met een grotere

steekproef. Deze hypothese werd getoetst met een kleinere steekproefgrootte aangezien we enkel

geïnteresseerd waren in de trainingsmotivatie van participanten die effectief een training volgden.

Implicaties

De huidige literatuur heeft voorlopig nog geen eenduidige, concrete antwoorden op hoe

we innovatiekennis bij mensen kunnen verhogen op een efficiënte manier. Deze studie levert een

aanvulling aan de discussie of een simulatietraining kan helpen om de innovatiekennis te

verhogen. Aangezien innovatie en innovatieve oplossingen steeds belangrijker worden in deze


huidige, snel veranderende wereld, probeert deze studie een bijdrage te leveren door de kracht

van innovatietraining op innovatiekennis te bevestigen. Door gebruik te maken van een pre- en

posttest voor zowel de twee experimentele condities als de controleconditie, laat deze studie toe

om vergelijkingen te maken tussen de drie groepen over de meetmomenten heen. Aangezien we

in deze studie evidentie vonden dat de innovatiekennis na een simulatietraining op posttest 1 tot

hogere uitkomstscores leidde bij de experimentele groepen in vergelijking met de groep die geen

training kreeg, kunnen we concluderen dat de training wel degelijk effect heeft. Belangrijk hierbij

te vermelden, is dat deze resultaten op een later tijdstip niet gevonden werden en hier misschien

nog aanpassingen bij dienen gemaakt te worden. Verder is het ook goed dat dit onderzoek zich

richt op twee experimentele condities om zo ook een verschil in instructie te kunnen nagaan.

Verder blijkt de trainingsmotivatie van participanten ook een belangrijke factor te zijn om goed

te scoren op cognitieve testen. In deze studie werden hiervoor statistisch significante resultaten

gevonden op langere termijn. Dit vormt dus zeker een interessant onderzoeksdomein en biedt ook

mogelijkheden naar toekomstig onderzoek.

Sterktes en limitaties van het onderzoek

Een eerste sterkte van dit onderzoek was het design. Door gebruik te maken van twee

posttesten, konden er bij het toetsen van de vooropgestelde hypotheses ook rekening gehouden

worden met verschillende meetmomenten. Zo kon er bij hypothese 1 bijvoorbeeld nagegaan

worden of de simulatietraining effect had op de cognitieve testen die meteen na de training waren

gemeten. Maar kon er ook getest worden of dit gevonden effect nog steeds invloed had op de

cognitieve testen vier weken later.

Studenten werden random toegewezen aan een conditie. Hierdoor zijn mogelijke

verschillen tussen de groepen te wijten aan toeval en niet aan een bewuste keuze.

Een andere sterkte van het onderzoek was, dat de scenario’s die het materiaal vormden

tijdens de simulatietraining, maar ook bij de cognitieve testen, mede ontworpen waren door

innovatie experten. Zoals in de methode omschreven, vond er een uitgebreid proces plaats om tot

de innovatiescenario’s te komen en werden deze ook door meerdere experten beoordeeld. De

conclusie hiervan is dat deze scenario’s toch wel betrouwbaar materiaal vormden voor deze

studie.

Zoals bij ieder onderzoek is het ook in deze masterproef belangrijk om rekening te houden

met bepaalde beperkingen. De eerste limitatie bij dit onderzoek is dat de steekproef enkel uit

bachelor studenten bestond. Het kan zijn dat gelijkaardig onderzoek met een andere steekproef


uit de populatie tot nieuwe (statistische) resultaten zal leiden. Zo zullen masterstudenten al iets

meer innovatiekennis hebben en al een beter beeld hebben over wat innovatie inhoudt. Dit werd

ook in het wetenschappelijk onderzoek van Lee & Anderson (2013) bewezen. Zij vinden in hun

onderzoek statistische evidentie dat wanneer participanten al een eigen mentaal model rond een

specifiek onderwerp hebben kunnen opbouwen, ze het meest profiteren wanneer ze vergelijken

met een expert mentaal model. Wanneer het onderwerp voor trainees nog volledig onbekend was,

had de vergelijkende conditie eerder negatieve gevolgen voor de participanten aangezien de

belasting voor het werkgeheugen te groot werd. Daarnaast kan een steekproef van werknemers

ook tot volledig andere resultaten leiden. Innovatie is tijdens verschillende levensfases belangrijk,

maar toch nog het meest tijdens de werkcarrière aangezien werknemers met meer innovatieve

situaties te maken krijgen. Deze mensen hebben vaak al een bepaalde, soms wel beperkte,

ervaring rond innovatie en kunnen deze dan versterken via een simulatietraining over innovatie.

Door gebruik te maken van een grotere steekproef kunnen bepaalde verschillen die nu

tussen de condities werden waargenomen, misschien wel statisch significant bewezen worden,

want de grootte van de steekproef waren bij bepaalde analyses vrij klein. Ook bij het toetsen van

de derde hypothese kregen we te kampen met een erg kleine steekproef, omdat enkel rekening

werd gehouden met de participanten die de training volgden. Door een kleine steekproef kan de

te lage power een oorzaak zijn van het uitblijven van statistisch significante resultaten. Een

suggestie voor toekomstig onderzoek kan zijn om gebruik te maken van een grotere steekproef.

Een andere limitatie bij het toetsen van de derde hypothese omtrent trainingsmotivatie is

dat de participanten zichzelf op de vooropgestelde items hebben moeten scoren, waardoor de

gemiddelde scores vrij hoog lagen. Wanneer dit onderzoek eventueel zou gerepliceerd worden in

een werkcontext, zouden naast de eigen scores, ook een leidinggevende de werknemers kunnen

beoordelen op hun trainingsmotivatie. Dit zou misschien tot genuanceerdere resultaten leiden en

zo zou er een beter onderscheid kunnen worden gemaakt tussen de participanten met een lagere

en hoge trainingsmotivatie.

Een laatste limitatie van het onderzoek is dat er geen controle was over de omgeving

waarin de participanten de variabelen scoorden. Studenten kregen de info om online de training

te volgen en de verschillende kennistesten in te vullen en konden dit dus om het even wanneer en

in welke omgeving doen. Hierdoor was er een grote daling van de interne validiteit.

Suggesties voor toekomstig onderzoek

Een eerste suggestie voor toekomstig onderzoek is om gebruik te maken van een nog

grotere steekproef. De volledige duur van het experiment was vrij lang en cognitief belastend.


Hierdoor werden we geconfronteerd met meer uitval naar het einde toe van posttest 2. De

condities bestonden uit ongeveer 30 participanten per conditie. Door dit in toekomstig onderzoek

te verhogen, zouden we een grotere power bekomen en zullen er misschien ook statistisch

significante resultaten voor posttest 2 worden gevonden bij hypothese 1 en significante

verschillen tussen de experimentele condities bij de tweede hypothese. Ook bij het toetsen van

hypothese 3 zou het gebruiken van grotere steekproeven een interessante piste zijn.

Een andere mogelijkheid voor toekomstig onderzoek is om te bepalen hoe interactiviteit,

gestructureerde begeleiding en reflectieve technieken kunnen verwerkt worden bij een training.

In de huidige studie gebeurden zowel de training als het oplossen van de innovatiescenario’s

online. Mayer, Mautone & Prothero (2002) ontdekten in hun onderzoek dat studenten diepgaander

leerden wanneer ze expliciet, gestuurde richtlijnen kregen. Simulatietrainingen bieden een

meerwaarde tot kennisverhoging en een onderzoek naar de combinatie met interactie zou zeker

interessant zijn. Huidige technologische online hulpmiddelen bieden hier zeker mogelijkheden

toe. Specifiek toegepast op deze studie zou een interactiemogelijkheid met de expert misschien

tot significante resultaten kunnen leiden en een interessant onderzoeksdomein vormen.

Conclusie

In deze snel veranderende wereld is het belangrijk om zich steeds verder te blijven

ontwikkelen in innovatiekennis en te kijken hoe we dit het best kunnen faciliteren. Uit de

resultaten van deze studie blijkt dat een simulatietraining voor innovatiekennis tot een betere

innovatieprestatie leidt, dit voor zowel de kennisscore als de transferscore op korte termijn.

Daarnaast scoren mensen met een hoge trainingsmotivatie hoger op cognitieve posttesten dan

mensen met een lagere trainingsmotivatie na de simulatietraining. Deze studie draagt bij tot de

literatuur over simulatietrainingen, aangezien er nog weinig antwoorden zijn op de vraag hoe we

innovatiekennis kunnen verhogen. Toekomstig onderzoek kan op deze studie verder bouwen door

na te gaan hoe die kennisverhoging ook op langere termijn gevrijwaard kan worden en wat de

beste instructies hiervoor zijn. Zo is verder interventieonderzoek naar experimentele groepen ook

aangewezen met gebruik van grotere steekproeven in andere contexten, zoals bijvoorbeeld

werkcontexten.


Referenties

Anderson, N., De Dreu, C.K.W., & Nijstad, B.A. (2004). The routinization of innovation research:

a constructively critical review of the state-of-the-science. Journal of Organizational

Behavior, 25, 147-173. doi:10.1002/job.236

Anderson, N., Potocnik, K., & Zhou, J. (2014). Innovation and Creativity in Organizations: A

State-of-the-Science Review, Prospective Commentary, and Guiding Framework. Journal

of Management, 40 (5), 1297-1333. doi:10.1177/0149206314527128

Arnab, S., & Clarke, S. (2016). Towards a trans‐disciplinary methodology for a game‐based

intervention development process. British Journal of Educational Technology. doi:

10.1111/bjet.12377

Atkinson, R.K., Derry, S.J., Renkl, A., & Wortham, D.W. (2001). Learning from examples:

instructional principles from the worked examples research. Rev. Educ. Res, 70, 181-214.

Backlund, P., Engström, H., Johannesson, M., Lebram, M., & Sjöden, B. (2008). Designing for

self-efficacy in a game based simulator: an experimental study and its implications for

serious games design. Paper presented at the International Conference of Visualisation.

International Conference Visualisation, 106-113. doi: 10.1109/VIS.2008.26

Bell, B.S., Kanar, A.M., & Kozlowski, S.W.J. (2008). Current issues and future directions in

simulation-based training in North-America. The International Journal of Human

Resource Management, 19, 1416-1436. doi: 10.1080/09585190802200173

Bledow, R., Carette, B., Kuehnel, J., & Pittig, D. (2017). Learning from others’ failures: The

effectiveness of failure stories for managerial learning. Academy of Management Learning

and Education, 16, (1), 39-53. Research Collection Lee Kong Chian School of Business.

Boies, K., Lvina, E., & Martens, M. L. (2011). Shared leadership and team performance in a

business strategy simulation. Journal of Personnel Psychology, 9, 195-202. doi:

10.1027/1866-5888/a000021

Chi, M.T.H. (2000). Self-explaining expository texts: The dual process of generating inferences

and repairing mental models. In R. Glaser (Ed.). Advances in instructional Psychology,

161-238.


Cortina, J.M. (1993). What is Coefficient Alpha? An Examination of Theory and Applications.

Journal of Applied Psychology, 78(1), 98-104. doi: 10.1037/0021-9010.78.1.98

Colquitt, J.A., LePine, J.A. & Noe, R.A. (2000). Toward an integrative theory of training

motivation: A meta-analytic path analysis of 20 years of research. Journal of Applied

Psychology, 85(5), 678-707. doi: 10.1037//0021-9010.g5.5.678

De Jong, J., & Den Hartog, D. (2010). Measuring Innovative Work Behaviour. Blackwell

Publishing Ltd, 19 (1), 23-35. doi: 10.1111/j.1467-8691.2010.00547.x

De Jong, T., & Van Joolingen, W.R. (1998). Scientific discovery learning with computer

simulations of conceptual domains. Review of Educational Research, 68, 179-201. doi:

10.3102/00346543068002179

Ericsson, K. A., Charness, N., Feltovich, P. J., & Hoffman, R. R. (Eds.) (2006). The Cambridge

handbook of expertise and expert performance.

Gadgil, S., Nokes-Malach, T., & Chi, M. (2012). Effectiveness of holistic mental model

confrontation in driving conceptual change. Learning and Instruction, 22, 47-61. doi:

10.1016/j.learninstruc.2011.06.002

Gal, J., & Gotthardt, P. (2016). Clinical emergency medicine-implementation of simulation

during continuing education. Joint position paper of the DGINA and the DGSiM.

NOTFALL & RETTUNGSMEDIZIN, 19(6), 491-495.

Garris, R., Ahlers, R., & Driskell, J.E. (2002). Games, motivation, and learning: A research and

practice model. Simulation & Gaming, 33, 441-467. doi: 10.1177/1046878102238607

Gegenfurtner, A., Quesada-Pallarès, C., & Knogler, M. (2014). Digital simulation-based training:

A meta-analysis. British Journal of Educational Technology, 45 (6), 1097-1114.

doi:10.1111/bjet.12188

Hanisch, K.A., Kramer, A.F., & Hulin, C.L. (1991). Cognitive representations, control and

understanding of complex system- A field study focusing on components of users mental

models and expert novice differences. One gundpower square, 34 (8), 1129-1145. doi:

10.1080/00140139108964851

Hays, R. T. (2005). The effectiveness of instructional games: A literature review and discussion.

Technical Report, 4, 1-63. doi: 7540-01-280-5500


Hoffman, R., Shadbolt, N., Burton, A., & Klein, G. (1995). Eliciting knowledge from experten: a

methodological analysis. Organizat. Behav. Human Decision Making, 62, 129–158. doi:

10.1006/obhd.1995.1039

Howell, J.M., & Boies, K. (2004). Champions of technological innovation: The Influence of

contextual knowledge, role orientation, idea generation, and idea promotion on champion

emergence. The Leadership Quarterly, 15, 123-143. doi: 10.1016/j.leaqua.2003.12.008

Howell, J.M., & Higgins, C.A. (1990a). Champions of change: Identifying, understanding and

supporting champions of technological innovations. Organizational Dynamics, 19, 40-55.

Jana, R. (2006). On-the-job video gaming. Business Week, 3977, 43.

Janssen, O. (2000). Job demands, perceptions of effort-reward fairness and innovative work

behavior. Journal of Occupational and Organizational Psychology, 73, 287- 302.

Lachner, A., Gurlitt, J., & Nückles, M. (2012). A graph-oriented approach to measuring expertise:

detecting structural differences between experten and intermediates. In N. Miyake, D.

Peebles, & R. P. Cooper (Eds.), Proceedings of the 34th Annual Conference of the

Cognitive Science Society, 653–658.

Lachner, A., & Nückles, M. (2015). Bothered by Abstractness or Engaged by Cohesion?

Experten’ Explanations Enhance Novices’ Deep-Learning. Journal of Experimental

Psychology, 21 (1), 101-115. doi: 10.1037/xap0000038

Lee, H.S., & Anderson, J.R. (2013). Student Learning: What Has Intruction Got to Do With It?.

Annual Reviews Psychology, 64, 445-469. Doi: 10.1146/annurev-psych-113011-143833

Lindegaard, S. (2010). The open innovation revolution: essentials, roadblocks, and leadership

skills. Manhattan, New York:John Wiley & Sons.

Keith, N., & Frese, M. (2005). Self-regulation in error management training: Emotion control and

metacognition as mediators of performance effects. The Journal of Applied Psychology,

90(4), 677–691.

Kirschner, P.A., Sweller, J., & Clark, R.E. (2006). Why minimal guidance during instruction does

not work: an analysis of the failure of constructivist, discovery, problem-based,

experiential, and inquiry-based teaching. Educational Psychology, 41,75–86. doi:

10.1207/s15326985ep4102_1


Klein, K.J., & Knight, A.P. (2005). Innovation implementation: Overcoming the challenge.

Current Directions in Psychological Science, 14 , 243-246.

Kraiger, K., Ford, J.K., & Salas, E. (1993). Application of cognitive, skill-based, and affective

theories of learning outcomes to new methods of training evaluation. Journal of Applied

Psychology, 78, 311-328. doi: 10.1037/0021-9010.78.2.311

Kuhn, D. (2007). Is direct instruction an answer to the right question? Educational Psychology,

42, 109–113. doi: 10.1080/00461520701263376

Mayer, B.W., Dale, K.M., Fraccastoro, K.A., & Moss, G. (2011) Improving Transfer of Learning:

Relationship to Methods of Using Business Simulation. Simulation & Gaming, 42 (1), 64-

84. doi: 10.1177/1046878110376795

Mayer, R.E. (2008). Applying the Science of Learning: Evidence-Based Principles for the Design

of Multimedia Instruction. American Psychologist, 760-769. doi: 10.1037/0003-

066X.63.8.760

Mayer, R. E., Mautone, P. D., & Prothero, W. (2002) Pictorial aids for learning by doing in a

multimedia geology simulation game. Journal of Educational Psychology, 94, 171-185.

Malone, T.W. (1981). Toward a theory of intrinsically motivating instruction. Cognitive Science,

4, 333-369. doi: 10.1016/S0364-0213(81)80017-1

Motowidlo, S. J., & Beier, M. E. (2010). Differentiating specific job knowledge from implicit

trait policies in procedural knowledge measured by a situational judgment test. Journal of

Applied Psychology, 95(2), 321. doi: 10.1037/a0017975

Nijstad, M.A., Baas, M., & Gevers, J.M.P. (2015). Creativiteit en innovatie: introductie op het

thema. Gedrag en Organisatie, 28 (2), 67-77. doi:

10.5553/GenO/092150772015028002001

Park, H., Lee, B. Y., Tahk, M. J., & Yoo, D. W. (2016). Differential Game Based Air Combat

Maneuver Generation Using Scoring Function Matrix. International Journal of

Aeronautical and Space Sciences, 17(2), 204-213. doi: 10.5139/IJASS.2016.17.2.204

Pässilä, A., Uotila, T. & Melkas, H. (2013). Facilitating future-oriented collaborative knowledge

creation by using artistic organizational innovation methods: Experiences from a Finnish

wood-processing company. Futures, 47, 59-68. doi: 10.1016/j.futures.2013.01.003


Priem, L.R., Li, S., & Carr, C.C. (2012). Insights and new directions from demand-side

approaches to technology innovation, entrepreneurship, and strategic management

research. Journal of Management, 38(1), 346-374. doi: 10.1177/0149206311429614

Renkl, A. (2014). Toward an Instructionally Oriented Theory of Example-Based Learning.

Cognitive Science, 38, 1-37. doi: 10.1111/cogs.12086

Renkl, A., Stark, R., Gruber, H., & Mandl, H. (1998). Learning from worked-out examples: the

effects of example variability and elicited self-explanations. Contemp. Educ. Psychol., 23,

90-108. doi: 10.1006/ceps.1997.0959

Richey, J.E., & Nokes-Malach, T.J. (2014). Comparing Four Instructional Techniques for

Promoting Robust Knowledge. Educational Psychology Review, 27, 181-218. doi:

10.1007/s10648-014-9268-0

Rittle-Johnson, B., & Star, J.R. (2007). Does comparing solution methods facilitate conceptual

and procedural knowledge? An experimental study on learning to solve equations. Educ.

Psychol., 99, 561-574. doi: 10.1037/0022-0663.99.3.561

Ritzmann, S., Hagemann, V. & Kluge, A. Vocations and Learning (2014) 7: 41.

https://doi.org/10.1007/s12186-013-9106-4

Rooney, P. (2012). A theoretical framework for serious game design: exploring pedagogy, play

and fidelity and their implications for the design process. International Journal of Game-

Based Learning, 2 (4), 41-60. doi:10.4018/ijgbl.2012100103

Salas, E., & Cannon-Bowers, J.A. (2001). The science of training: A decade of progress. Annual

Review of Psychology, 52, 471-499. doi: 10.1146/annurev.psych.52.1.471

Schollmeyer, J. (2006). Games get serious. Bulletin of the Atomic Scientists, 62(4), 34-39. doi:

10.2968/062004010

Schraw, G., Dunkle, M. E., & Bendixen, L. D. (1995). Cognitive processes in well‐defined and

ill‐defined problem solving. Applied Cognitive Psychology, 9(6), 523-538. doi:

10.1002/acp.2350090605

Schraw, G. (2009). Knowledge: structures and processes. Handbook of educational psychology,

245-265).


Sitzmann, T. (2011). A meta-analytic examination of the instructional effectiveness of computer-

based simulation games. Personnel psychology, 64, 489-528. doi: 10.1111/j.1744-

6570.2011.01190.x

Sloep, P. (2008). Netwerken voor lerende professionals. 1-48.

Somaya, D., Williamson, I. O. & Lorinkova, N. (2008). Gone but not lost: The different

performance impacts of employee mobility between cooperators versus competitors.

Academy of Management Journal, 51, 936-953. doi: 10.5465/AMJ.2008.34789660

Sparks, K., Faragher, B., & Cooper, C. L. (2001). Well‐being and occupational health in the 21st

century workplace. Journal of occupational and organizational psychology, 74(4), 489-

509. doi: 10.1348/096317901167497

Summers, G.J. (2004), Today’s Business Simulation Industry, Simulation and Gaming, 35, 208–

241. doi: 10.1177/1046878104263546

Sumpter, D. M., Gibson, C. B., & Porath, C. (2016). Act Expediently, with Autonomy: Vicarious

Learning, Empowered Behaviors, and Performance. Journal of Business and Psychology,

1-15. doi: 10.1007/s10869-016-9440-2

Tai, W. (2006). Effects of training framing, general self-efficacy and training motivation on

trainees’ training effectiveness. Personnel Review, 35(1): 51–65. doi:

10.1108/00483480610636786

Tharenou, P. (2001). The relationship of training motivation to participation in training and

development. Journal of Occupational and Organizational Psychology, 74(5), 599–622.

doi: 10.1348/096317901167541

Thorton, G. C., & Cleveland, J.N. (1990). Developing managerial talent trough simulation.

American Psychologist, 45, 190-199. doi: 10.1037/0003-066X.45.2.190

Tobias, S. & Duffy, T. M. (Eds.). (2009). Constructivist instruction: Success or failure?. Madison

Ave, New York: Routledge.

Tyulkova, N. (2014). A flexible Organizational Structure as a way of Knowledge Management in

SME’s. Proceedings of het International Conference on Intellectual Capital Knowledge

Management & Organizational Learning, 549-557.

https://doi.org/10.1348/096317901167541


Vogel, J. J., Vogel, D. S., Cannon-Bowers, J., Bowers, C. A., Muse, K., & Wright, M. (2006).

Computer gaming and interactive simulations for learning: A meta-analysis. Journal of

Educational Computing Research, 34(3), 229-243. doi: 10.2190/FLHV-K4WA-WPVQ-

H0YM

West, M.A. (2002). Sparkling fountains or stagnant ponds: An integrative model of creativity and

innovation implementation in work groups. Applied Psychology: An International Review,

51, 355-387. doi: 10.1111/1464-0597.00951

West, M.A., & Farr, J.L. (1989). Innovation at work: Psychological perspectives. Social Behavior,

4, 15-30.

Winne, P.H., & Hadwin, A.F. (1998). Studying as self-regulated learning. Metacognition in

educational theory and practice, 93, 27-30.

Wood, R.T.A., Griffiths, M.D., & Parke, A. (2007). Experiences of time loss among videogame

players: An empirical study. CyberPsychology & Behavior, 10, 38-44.

doi:10.1089/cpb.2006.9994.

Zimmerman, B. J., & Campillo, M. (2003). Motivating self-regulated problem solvers. The

psychology of problem solving, 233-262.

Zhong, Y.H. (2007). The basis of knowledge intervention: a method for improving mental

models. 5th International Symposium on Management of Technology, 1356-1360. doi:

10.1109/FITME.2008.61

VAN INNOVATIENOVICE NAAR INNOVATIE- EXPERT VIA …€¦ · Hoe we innovatiekennis kunnen stimuleren...

Documents

Transcript of VAN INNOVATIENOVICE NAAR INNOVATIE- EXPERT VIA …€¦ · Hoe we innovatiekennis kunnen stimuleren...