VAN INNOVATIENOVICE NAAR INNOVATIE- EXPERT VIA …€¦ · Hoe we innovatiekennis kunnen stimuleren...
Transcript of 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
VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
2 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
3 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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 product- en 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
4 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
(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
5 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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,
6 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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).
7 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
8 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
9 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
10 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
11 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
12 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
13 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
14 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
15 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
16 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
17 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
18 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
19 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
20 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
21 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
22 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
23 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
24 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
25 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
26 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
27 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
28 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
Leesconditie 47 8.13 2.59
Vergelijkingsconditie 45 7.90 2.99
Geen training 50 5.64 2.54
Innovatiekennis-
test posttest 2
Leesconditie 30 7.36 3.21
Vergelijkingsconditie 33 7.33 2.67
Geen training 29 5.92 2.84
Innovatiekennis-
transfertest posttest 2
Leesconditie 30 6.31 4.1
Vergelijkingsconditie 33 6.68 3.36
Geen training 29 6.46 3.07
Noot: N = aantal participanten, M = gemiddelde, SD = standaarddeviatie
29 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
30 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
31 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
32 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
Lage motivatie 6.22 2.80
Gemiddelde motivatie 7.05 2.67
Hoge motivatie 7.94 3.50
Innovatiekennis-test posttest 2
Lage motivatie 5.21 2.14
Gemiddelde motivatie 6.78 2.43
Hoge motivatie 7.84 3.87
Innovatiekennis-transfertest
posttest 2
Lage motivatie 5.12 2.02
Gemiddelde motivatie 6.11 2.78
Hoge motivatie 7.87 4.76
Noot: M = gemiddelde, SD = standaarddeviatie
33 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
34 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
35 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
36 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
37 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
38 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
39 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
40 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
41 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
42 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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
43 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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).
44 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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.
45 VERGELIJKEN EN CONFRONTEREN VAN MENTALE MODELLEN OVER INNOVATIE
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