Managing Conflict at Institution/s of Higher Learning: A Post-Positivist Perspective
Notice bibliographique
Résumé
Institutions of Higher Learning in South Africa annually face challenges that often lead to student protests and demonstrations, mostly at the beginning of every academic year, which adversely impact the smooth running of academic programs. Stakeholders’ expectations were at the apex of causes that destabilise the academic environment, academic almanac and the overall academic professional reputation. The volatility of this kind retards productivity and negatively affects many tertiary institutions across the Country. This empirically grounded paper focuses on conflicting variables amongst universities, but with reference to an Eastern Cape University in South Africa spread across its Campuses. Adopting the post-positivist approach, this study obtained data from over 180 respondents and the data was analysed by using descriptive and inferential statistics, including analyses of variance and Pearson Product Moment correlations. In addition, content analysis techniques were used to analyse the data collected from the unstructured questionnaire. In this empirical study the findings highlighted two major variables that gave rise to conflicts, escalation of strikes and demonstrations at Higher Institutions of learning and recommend a conflict management style apposite for handling the conundrum. The factors dealt with in this study are not peculiar to the institution studied, but are analogous to other institutions. The findings also underscored Integrating conflict management as the most commendable style for managing conflicts at institutions of higher learning.
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 | 0,000 |
| 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) | 0,002 | 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 ».