MétaCan
Menu
Retour à la cohorte
Enregistrement W2789834163 · doi:10.5539/jms.v8n1p156

Knowledge Sharing in Ontario Colleges: The Way to Sustainable Education

2018· article· en· W2789834163 sur OpenAlexaffvenueabout
Rania Mohy El Din Nafea, Esra Kiliçarslan Toplu

Notice bibliographique

RevueJournal of Management and Sustainability · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensSeneca Polytechnic
Organismes subventionnairesnon disponible
Mots-clésNature versus nurtureQuality (philosophy)Knowledge sharingPublic relationsConversationKnowledge managementPolitical scienceBusinessSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

This paper puts forward several principles that the authors believe are essential for quality education in Canadian colleges. The relationship between establishing communities of practice, creating knowledge repositories, encouraging top management commitment to knowledge sharing and establishing a comprehensive reward system are examined in relation to innovation in education. Sustainable Development Goal (SDG) #4 of the UN postulates quality education among its top initiatives.The question that arises is how do we ensure that SDG #4 is implemented in higher education institutions? Accordingly, data was collected through observation of faculty and staff from the 2017 Ontario Colleges strike. Although a strong corporate culture exists in Ontario colleges, the system continues to struggle with explicit top management principles that support knowledge sharing across different disciplines. Inter and intra departmental forums including students are non-existent. Knowledge repositories, that staff, faculty and students can tap into are lacking. A greater conversation with stakeholders is imperative to weave all the threads of organizational behavior practices together to nurture future global citizens. Only then can we achieve sustainable quality education.

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)0,006
score de la tête « metaresearch » (Gemma)0,016
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,669

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0230,009
Communication savante0,0120,007
Science ouverte0,0020,008
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,020
Tête enseignante GPT0,311
Écart entre enseignants0,291 · 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

Citations3
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Management and SustainabilityMême sujetKnowledge Management and SharingTravaux en français237 207