Strategies for Improving Quantity Surveyors’ Education Training in Uganda
Notice bibliographique
Résumé
Education and training of Quantity Surveyors (QSs) has been a topical subject amongst academics, the industry, and professional institutions, often leading to a discussion about education versus training, in which case, the industry sometimes argues that QSs are often ill-prepared for work. The current study investigated strategies for improving QSs’ education training in Uganda, with a focus on devising ways of engendering better graduates that are fit for the industry. A semi-structured online questionnaire was used to collect data. The research population included QSs practicing in the Ugandan Construction Industry. The majority of respondents agreed to a great extent that QSs, and thus their training, are still relevant in the current construction industry. Majority of respondents desired the teaching curriculum to include more practical aspects that expose students to real challenges in practice. It was suggested that early exposure of students to real field practice was paramount to students’ training. Engagements such as industrial training and internship placements in Quantity Surveying firms were highly encouraged. The curriculum also needs to be responsive to recent advances in industry practices, such as Building Information Modelling (BIM). Meanwhile, the University should intensify action research with the industry, and forge collaborations with all the key players in the construction sector to streamline the training. The findings of this study, if implemented, could potentially improve the quality of Quantity Surveying programmes at institutions of higher learning in similar developing countries. This would hopefully produce graduates who are industrially relevant and with a sound academic background.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».