MétaCan
Menu
Retour à la cohorte
Enregistrement W2921801185

The Student as Inadvertent Employee in Work-Integrated Learning: A Risk Assessment by University Lawyers

2018· article· en· W2921801185 sur OpenAlexfundno aff
Craig Cameron

Notice bibliographique

RevueGriffith Research Online (Griffith University, Queensland, Australia) · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal Education and Practice Innovations
Établissements canadiensnon disponible
Organismes subventionnairesCollege of Engineering, Michigan State UniversityTshwane University of TechnologyUniversity of WaterlooUniversity of SurreyCurtin University of TechnologyGriffith UniversityUniversity of CincinnatiDeakin UniversityUniversity of South AfricaUniversity of WollongongMichigan State UniversityFlinders UniversityUniversity of New EnglandMassey UniversityAuckland University of Technology, New ZealandSouthern Cross UniversityQueensland University of TechnologyUniversity of WaikatoUniversity of New South Wales
Mots-clésWork (physics)Unintended consequencesScholarshipPublic relationsPaymentVocational educationEXPOSEBusinessLegal adviceSociologyPolitical scienceLawEngineeringFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

An employment contract between the student and the host organization may be the unintended consequence of a work-integrated learning (WIL) placement. The student, as an ‘inadvertent employee’ of the host organization, can expose the university to risk. A case study involving thirteen Australian university lawyers identifies the legal and reputational risks associated with paid and unpaid WIL placements, and how university lawyers manage these risks through WIL agreements, legal advice and the support of external agencies. In Australia, the key themes which emerge from university lawyer experiences, and the existing literature, are the vocational placement exemption under the Fair Work Act 2009 (Cth), and scholarship payments. The article concludes with a series of lessons for WIL practitioners in terms of managing the labor-related risks of WIL programs.

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)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,473
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0040,002
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,117
Tête enseignante GPT0,474
Écart entre enseignants0,356 · 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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGriffith Research Online (Griffith University, Queensland, Australia)Même sujetLegal Education and Practice InnovationsTravaux en français237 207