MétaCan
Menu
Retour à la cohorte
Enregistrement W1854479383 · doi:10.18543/tjhe-1(1)-2013pp105-125

A Model for the Regionalization of Higher Education: The Role and Contribution of Tuning

2014· article· en· W1854479383 sur OpenAlexaff
Jane Knight

Notice bibliographique

RevueTuning Journal for Higher Education · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Governance and Development
Établissements canadiensInstitute for Christian StudiesUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)PhenomenonInternationalizationConceptual modelRealization (probability)Meaning (existential)PoliticsHigher educationPolitical scienceThrough-the-lens meteringManagement scienceProcess managementComputer scienceRegional scienceLens (geology)Knowledge managementSociologyEngineeringEpistemologyBusinessMathematics

Résumé

récupéré en direct d'OpenAlex

A notable evolution in the internationalization of higher education in the last decade has been the increasing emphasis on regional level collaboration and reform initiatives. The purpose of this paper is to examine the process of regionalization through the lens of a conceptual model and to demonstrate how different Tuning initiatives serve as useful instruments in the application of the model, and the ultimate realization of higher education regionalization. The evolving nature and meaning of region and regionalization are explored in the first section of the paper. This leads to an analysis and conceptual mapping of the many terms used to describe the phenomenon. The proposed model is based on three distinct but complementary approaches; Functional, Organizational and Political Approaches (FOPA). The three approaches are inter-related. The model is generic in concept and purpose so that it can apply to the evolving process of higher education regionalization in different parts of the world. The article examines how the initiatives and implications of the Tuning process are directly related to the model and consequently make important contributions to the regionalization of higher education in all regions of the world.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,009
Communication savante0,0060,006
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,031
Tête enseignante GPT0,348
Écart entre enseignants0,316 · 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'étudeSans objet
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

Citations53
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTuning Journal for Higher EducationMême sujetHigher Education Governance and DevelopmentTravaux en français237 207