LEVELING AND ADAPTING GERONTOLOGY COMPETENCIES: EXAMPLES FROM CANADA AND THE U.S.
Notice bibliographique
Résumé
Background: AGHE recently published Gerontology Competencies for Undergraduate and Graduate Education (2014) that represents the most comprehensive effort to date to identify gerontology competencies. The challenge for educators is to integrate competencies into gerontological curricula and to use them in measuring the skills of gerontology program graduates. This presentation reports on two such attempts, with particular emphasis on “leveling” competencies. Developing an Introductory Course in Canada: A group of faculty affiliated with the Council of Ontario Universities is leading the development of an introductory gerontology course in seven modules based on the AGHE foundational competencies. Since it is anticipated that the course would be useful both for students and practitioners, the developers share their perspectives on adapting the competencies for various levels. Measuring the Skills of Gerontology Program Graduates in West Virginia: The National Association for Professional Gerontologists (NAPG), in cooperation with the Gerontology Master of Arts Program at San Francisco State University, measured gerontology competencies by operationalizing 18 skill outcomes. Forty-nine master’s students wrote 400 essay answers that were tested for inter-rater agreement using one-way analysis of variance. The fact that there was no significant difference among three raters (f = .28, p = .76) in scoring essay responses indicates reliability. This method of measuring competencies developed with master’s students has been used as an exit exam for graduates of the Gerontology Associate Arts Program at Bridge Valley Community and Technical College in South Charleston, West Virginia. Researchers discuss the adaptation of competency testing at these two educational levels.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».