Age-Friendly Universities: Confronting Ageism and Fostering Age Inclusivity
Notice bibliographique
Résumé
Abstract The pioneering Age-Friendly University (AFU) initiative, endorsed in 2016 by GSA’s Academy for Gerontology in Higher Education (AGHE), calls for institutions of higher education to respond to shifting demographics and the needs of aging populations through more age-friendly programs, practices, and partnerships. Over 65 institutions in the United States, Canada, European countries, and beyond have joined the network and adopted the 10 AFU principles. Despite the importance and appeal of the AFU initiative, individuals leading age-friendly efforts on their campuses have found that ageism in higher education is a persistent, yet overlooked, factor holding us back from embracing age diversity. This symposium will feature AFU partners who will discuss how ageism presents itself in higher education, along with offering recommendations for breaking it down and promoting greater age inclusivity. Montepare will open the session with an overview of systematic and implicit instances of ageism in higher education. Bowen and colleagues will then discuss results from an AFU Campus Climate Survey that examined the age attitudes of faculty, students, and staff along with their views about that nature of campus age-friendliness. Manoogian will discuss the value of approaching the teaching of age diversity from an intersectionality perspective. Reynolds and Kruger will provide theoretical framing and dissemination models for the GSA online course Ageism First Aid within various AFU and programmatic structures. Andreoletti and June will discuss how creating an age-inclusive AFU Learning Community can raise awareness about ageism across campus as well as in the community where a campus resides. Age-Friendly University (AFU) Interest Group Sponsored Symposium.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».