MétaCan
Menu
Retour à la cohorte
Enregistrement W1581881696 · doi:10.26522/brocked.v18i1.32

Graduate education in Canada and China: What enrolment data tells us

2008· article· en· W1581881696 sur OpenAlexaffvenueabout
Shumei Li, Tony DiPetta, Mary-Louise Vanderlee

Notice bibliographique

RevueBrock Education Journal · 2008
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Governance and Development
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésChinaGraduate educationWorkforceDisciplinePoliticsGraduate studentsPolitical scienceEconomic growthHigher educationSociologyEconomicsSocial sciencePedagogy

Résumé

récupéré en direct d'OpenAlex

China’s emergence as a global economic and political power is in part due to the country’s renewed involvement with, and commitment to, graduate higher education (Harris, 2005). Graduate education in China is viewed as the means of producing the essential scientists, engineers and skilled workforce needed to sustain the country’s rapid industrial growth and economic development. But how does China’s graduate education system compare with North American graduate higher education and what can each learn from the other? This paper examines the trends and patterns in Master’s level graduate education programs in China and Canada based on enrolment data gathered from 1999 to 2005. Initial comparisons of the data find that Master’s level enrolments in China are growing faster than in Canada; enrolment pattern distributions for both countries are unbalanced geographically and from a disciplinary perspective the highest number of Master’s level enrolments in Canada were in the business and management disciplines while in China the greatest Master’s level enrolments were in engineering. The comparisons provided by this study help identify some of the trends and challenges of graduate education at both the national and the regional levels of both countries.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,983
Score d'incertitude au seuil0,126

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,010
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,035
Tête enseignante GPT0,315
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2008
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBrock Education JournalMême sujetHigher Education Governance and DevelopmentTravaux en français237 207