MétaCan
Menu
Retour à la cohorte
Enregistrement W2461393486 · doi:10.1057/9781137491923_15

Internship Programs of Higher Education in Taiwan: Cases from Fu Jen Catholic University

2015· book-chapter· en· W2461393486 sur OpenAlexaboutno aff
Wei-Pen Tsai, Shang-Chi Gong, Mei-Tzu Chiang, Chen-Fon Lin

Notice bibliographique

RevuePalgrave Macmillan US eBooks · 2015
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueHigher Education and Employability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInternshipExperiential learningWork (physics)Cooperative educationGraduate educationBridge (graph theory)SociologyHigher educationExperiential educationPedagogyMedical educationEngineeringLibrary scienceManagementPolitical scienceMedicineVocational educationComputer science

Résumé

récupéré en direct d'OpenAlex

The first American cooperative education program started in 1906 at the University of Cincinnati with an enrollment of 27 students, while the first program in Canada started in 1957 at the University of Waterloo with an enrollment of 75 students (Haddara and Skanes 2007). Initially, the cooperative education program was established to bridge the gap between theory and practice in engineering education, meet new developments in industrial needs, and make university education accessible to students (Sovilla and Varty 2011). As Eames and Cates (2011) demonstrate, the experiential learning of a cooperative education/work integrated learning (coop/WIL) program can complement classroom learning, and education thereby becomes a more holistic, three-party, endeavor in which students, employers, and educational faculty work together to produce graduates that are more “work ready.” Since much research highlights such programs as an effective means of developing graduate competencies (Coll and Zegwaard 2006; Todd and Lay 2011; Eames and Cates 2011; Johnston 2011), many such programs expanded very quickly around the world. These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,074
Tête enseignante GPT0,326
Écart entre enseignants0,252 · 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'étudeQualitatif
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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePalgrave Macmillan US eBooksMême sujetHigher Education and EmployabilityTravaux en français237 207