Transdisciplinary training: what does it take to address today’s “wicked problems”?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is a growing need to address today’s “wicked problems” seen in issues such as social justice, global climate crisis and endemic health concerns. Wicked problems are those for which there is no single, clear or optimal solution and thus are amenable to transdisciplinary solutions. Working in a transdisciplinary paradigm is thus seen as an increasingly necessary learned skill, and yet there is a dearth of knowledge on how curriculum centred around transdisciplinarity is perceived by those impacted by such curricula. This study examines the attitudes and responses of Aging Gracefully across Environments using Technology to Support Wellness, Engagement and Long Life NCE Inc.’s (AGE-WELL) stakeholders to the concept and role of transdisciplinarity in a training program intended to equip trainees and research staff from a variety of fields to address the “wicked problem” of aging well in Canada. We conducted 15 in-depth interviews with current AGE-WELL members, trainees as well as researchers and mentors, on the subject of designing the best possible training program. Our data illustrate the complexity of curriculum design and implementation to train for transdisciplinarity. We consider ways in which a shift in culture or ethos in academia may be required to pursue a thoroughly transdisciplinary approach to problem-solving. Short of instituting such a radical culture change as transdisciplinarity, however, strategic and conscientious efforts to integrate multiple and diverse perspectives, to attend carefully to communication and to foreground relationship building may well achieve some of the same goals.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle