Challenges and Strategies for Enhancing Quality Nigeria Certificate in Education (Technical) Programme in Kaduna State, Nigeria
Notice bibliographique
Résumé
The study was designed to identify challenges and determine strategies for enhancing the quality of Nigeria Certificate in Education (Technical) programme in Kaduna State. The study adopted a descriptive survey research design. Three research questions were raised for the study, while three null hypotheses were formulated and tested at 0.05 level of significance. A structured questionnaire was used to collect data from 103 respondents (19 management staff and 84 lecturers) in the study area. The questionnaire was validated by three experts and the reliability coefficient was established to be 0.88 using Cronbachs Alpha method. Data collected were analysed using mean and standard deviation and z-test was used to test the hypotheses. The study examined two challenges that posed as a threat to quality NCE (Technical) programme, namely; student, government-related challenges. The study revealed that adequate funding; training and retraining of teachers; provision of required infrastructures and facilities; adequate internal and external supervision among others are potential strategies for enhancing quality NCE (Technical) programmes in Kaduna State . Based on the findings, the study recommended that in-service training and retraining should be made available and frequent for teachers. National Commission for Colleges of Education should make sure they live up to expectation to ensure sustenance of effective quality assurance mechanisms in all the institutions in order to achieve the goals of technology education in Nigeria.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».