MétaCan
Menu
Retour à la cohorte
Enregistrement W2914208242 · doi:10.5430/bmr.v8n1p22

Service-Learning as a Catalyst for Community Change: An Empirical Examination Measuring the Benefits of a Life Skills Curriculum in Local At-Risk High Schools

2019· article· en· W2914208242 sur OpenAlexvenueno aff
Roxanne Helm-Stevens, Mark Dickerson, Randy Fall

Notice bibliographique

RevueBusiness and Management Research · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueService-Learning and Community Engagement
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCurriculumService-learningEtiquetteLife skillsMedical educationService (business)PsychologyWork (physics)PedagogyMathematics educationBusinessMarketingMedicineEngineeringPolitical science

Résumé

récupéré en direct d'OpenAlex

This research attempts to measure the impact of service-learning on community recipients – at-risk high school students in urban Southern California. The service-learning project, an integrative, six-week assignment, involves upper-division business majors delivering the Options: Business Education and Life Skills curriculum to at-risk students in two local alternative education high schools. In addition to delivering business education and life skills, a critical design component of the curriculum is the opportunity for college students to be role models and provide mentoring guidance to at-risk high school students. This study used surveys to gather data on student perceptions of four constructs: (1) strengths and values, (2) school and work-related skills, (3) business etiquette and resume building, and (4) future life and career planning. Pre-tests and post-tests were administered to gauge differences in perception during the six-week service-learning project. Results indicated positive effects of the service-learning curriculum overall. Further, the data revealed statistically significant results with particularly noteworthy outcomes in the planning for the future and preparing for the world of work responses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,372
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,110
Tête enseignante GPT0,376
Écart entre enseignants0,266 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBusiness and Management ResearchMême sujetService-Learning and Community EngagementTravaux en français237 207