The Challenges Militating Against the Adoption of Pre-retirement Training of Retirees in Nigeria
Notice bibliographique
Résumé
The main thrust of this paper is to give an overview of the challenges faced by retirees in in selected Federal Teaching Hospitals in Nigeria after retirement. Data for this study were collected from both primary and secondary sources. A total number of 337 questionnaire were administered representing 20% of the total population of 1684 using probability proportion to size technique was used in order to have balanced views of the respondents and the data collected were analysed using descriptive statistics. Results from the study showed that Nine (9) possible challenges which were presented to the respondents in the questionnaire. These challenges are: Poor funding of the training programme; apathy on the part of trainees; corruption/ mismanagement of funds for the training programme; inadequacy of data on retirees fot the training programme; inadequate Civil Society Organisations’ participation in the programme; absence of managerial skills by retirees to cope with the demands of entrepreneurship; poor coordination of the training programme; and misappropriation of funds from gratuities into other uses by retirees. This study therefore recommends that government should provide more funds; be more committed to the programme; intending retirees should be well informed about the treining programme; timing of pre-retirement training should come should come early at least twice between 7-10 years as against 3-5 years before retirement. All these will enable the intending retirees to prepare for obvious eventuality after retirement.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».