Improving Mentorship and Supervision during COVID-19 to Reduce Graduate Student Anxiety and Depression Aided by an Online Commercial Platform Narrative Research Group
Notice bibliographique
Résumé
Before COVID-19, post-secondary learning was dominated by in-person, institution-organized meetings. With the 12 March 2020 lockdown, learning became virtual, largely dependent on commercial online platforms. Already more likely to experience anxiety and depression in relation to their research work, perhaps no students have endured more regarding the limitations imposed by COVID-19 than graduate students concerning their mentorship and supervision. The increase in mental health issues facing graduate students has been recognized by post-secondary institutions. Programs have been devised to reduce these challenges. However, the additional attention and funds to combat depression and anxiety have not shown anticipated results. A new approach to mitigate anxiety and depression in graduate students through mentorship and supervision is warranted. Offered here is an award-winning model featuring self-directed learning in a community formed by adding together different, equal, diverse points of view rather than agreement. The approach, delivered through a commercial online platform, is non-hierarchical, and based in narrative research. The proposed model and approach are presented, discussed and limitations considered. They are offered as a promising solution to ebb the increase in anxiety and depression in graduate students—particularly in response to COVID-19.
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 | 0,017 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».