Collaborative engagement experience-based learning: a teaching framework for business education
Notice bibliographique
Résumé
Purpose An academic–practitioner divide exists suggesting the need for business education curriculum to more appropriately suit private-sector demands. This calls for pedagogical approaches that offer experiences and build skill sets to better prepare graduates for the workforce. The authors propose a framework, collaborative engagement experience-based learning (CEEBL), as a new pedagogical method for teaching and learning in business education. This research provides a viable solution to bridge the gap between academia and industry. The authors suggest CEEBL also offers business students new methods of engagement in the world of work. Design/methodology/approach This exploratory study investigates the CEEBL framework applied to a business education course in competitive intelligence (CI) and a crisis simulation exercise that offer “real world” experiences to students. Data were collected in two semesters and included feedback from over 70 undergraduate students. Findings Results suggest that the CEEBL framework provides students with the learning experiences to build much-needed skill sets. Additionally, Hallinger and Lu's (2011) assessment of overall instructional effectiveness showed positive statistical results for its dimensions. Originality/value The CEEBL framework is coined from two existing pedagogical underpinnings; collaborative engagement (CE) and experience-based Learning (EBL). These concepts offer insights into the ways in which CE promotes a rich learning experience. The new framework takes into consideration the relationship(s) among the dimensions of CE and EBL and how they intertwine with each other to create a pedagogical method that can better prepare students for a dynamic workplace. CEEBL can be easily adapted for online, hybrid or in-session teaching environments. Additionally, the framework offers flexibility in application to other disciplines while addressing current topics and issues through the capstone exercise.
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 | 0,010 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».