Issues in Higher Education: Analysis of 2017 Global Knowledge Index Data and Lessons Learned
Notice bibliographique
Résumé
Despite considerable efforts to increase the quality of Higher Education (HE) in many countries, the absence of a methodology to guide scholars and policymakers to assess its quality has been a barrier. In 2017, the United Nations Development Program (UNDP) and Mohamad bin Rashid Al Maktoum Knowledge Foundation (MBRF) launched the Global Knowledge Index (GKI), a tool by which data from 131 countries were collected for seven sectors—one of which was HE. In this paper, an analysis of the HE index data is introduced. Then, three key issues which emerged from data are discussed. The first issue is HE efficiency, which is measured by comparing the indexes of HE inputs and outputs. The second issue is the enabling environment factors that might support or limit the growth of HE. The third issue is the intricate relationship between HE, economy, and Research and Development (R&D). The study found that HE efficiency is declining globally except in a few areas. A strong positive relationship was found between the enabling environment and variables of political stability and government effectiveness and HE’s ability of knowledge production. Furthermore, strong relationships were found between HE outputs, economy, and R&D respectively. The study concludes with future directions for increasing the quality of HE.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,030 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».