MétaCan
Menu
Retour à la cohorte
Enregistrement W3124156202 · doi:10.82396/cjcd.v20i1.3166

Ethical Risk Management in Co-operative Education Programs

2021· article· en· W3124156202 sur OpenAlexaffabout
Craig Cameron, Cynthia Maclean

Notice bibliographique

RevueGriffith Research Online (Griffith University, Queensland, Australia) · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education and Employability
Établissements canadiensBritish Columbia Institute of TechnologyCapilano University
Organismes subventionnairesnon disponible
Mots-clésRisk managementWork (physics)Higher educationPublic relationsUnderpinningEthical issuesControl (management)Political scienceBusinessEngineering ethicsSociologyManagementEngineeringLaw

Résumé

récupéré en direct d'OpenAlex

Work-integrated learning (WIL) practitioners and higher education institutions (HEIs) regularly encounter ethical issues, dilemmas, or conflicts (‘risks’) in delivering WIL programs. Ethical risks that are not properly identified and managed can result in negative financial, legal and reputational consequences for the HEI. A case study of 10 Canadian WIL practitioners reported in this article identifies practices that reduce, transfer, control or eliminate ethical risk in co-operative education, a popular type of WIL program in Canadian HEIs. The findings are presented as a framework of risk management practices involving education and training, institutional support, policies and processes, collaboration with the WIL community, and student communication. A key theme underpinning the ethical risk management practices is the complexity of maintaining productive, quality relationships between three categories of WIL stakeholders- students, employers and the HEI. This study builds on earlier research revealing characteristics of ethical risk in WIL, with the subsequent findings intended to educate WIL stakeholders and assist them with evaluating and improving ethical risk management.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,487
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
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 Opus0,183
Tête enseignante GPT0,500
Écart entre enseignants0,317 · 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

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGriffith Research Online (Griffith University, Queensland, Australia)Même sujetHigher Education and EmployabilityTravaux en français237 207