MétaCan
Menu
Retour à la cohorte
Enregistrement W2792214264 · doi:10.1080/02615479.2018.1445215

Integrating welfare economics in social work curriculum: a Malaysian case

2018· article· en· W2792214264 sur OpenAlexaff
Muhammad Jafar, Zulkarnain A. Hatta, Bala Raju Nikku

Notice bibliographique

RevueSocial Work Education · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Work Education and Practice
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésSocial workAusterityPovertyUnemploymentWelfareCurriculumPoliticsSociologyEconomic growthSocial WelfarePublic relationsEconomicsPolitical science

Résumé

récupéré en direct d'OpenAlex

This paper makes a case for why welfare economics should be integrated and taught in social work courses, taking Malaysia a case in point. This is mainly a conceptual paper and secondary data are used to further support the arguments. Commencement of professional social work in Malaysia dates to 1946, to address the socio-economic problems of the Malaysians and migrants at that time. Social workers need a multi-pronged approach that is crucial to address the human problems that includes psychological, social, political, cultural and economic at micro and macro levels. Most of the problems referred to the social workers stem from poverty, unemployment, low access to material resources and corrupt governance practices coupled with unjust economic policies. Keeping in view the diverse economic needs and strengths of the clients referred to social workers, it is necessary that social workers are equipped with appropriate skills that include broader understanding about political economy. This paper argued that integration of welfare economics in the social work curricula is an urgent need considering the Malaysian economic development, austerity measures and the proactive role that social work as a human rights profession could play in the Malaysian society.

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)0,004
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,034
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0110,005
Communication savante0,0040,003
Science ouverte0,0010,007
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,025
Tête enseignante GPT0,360
Écart entre enseignants0,335 · 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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSocial Work EducationMême sujetSocial Work Education and PracticeTravaux en français237 207