Effect of Entrepreneurial Education on Unemployment Reduction among Students in Nigeria
Notice bibliographique
Résumé
The study examined the effect of entrepreneurial education on unemployment reduction among students in Chukwuemeka Odumegwu Ojukwu University, Igbaria. The problem of the study is as a result of increasing rate of unemployment in Nigeria. The study was anchored on Human Capital Theory and risk taking theory. As a cross-sectional survey research design, a structured instrument developed by the researcher to reflect such options as strongly agree, agree, undecided, disagree and strongly disagree popularly referred to as five (5) points likert scale was used to obtain information from the respondents. The population of the study was limited to final year students of Business Administration and Entrepreneurship Studies Department in Chukwuemeka Odumegwu Ojukwu University, Igbariam. The total population was 195. Business administration was 128 while entrepreneurship was 67. The study used convenience sampling technique in selecting the sample size for the study based on convenience and easy accessibility to the respondents. Research hypotheses were tested using Multiple Regression Analysis (MRA) which was carried out with the aid of Statistical Package for Social Science (SPSS). Findings from the study revealed that Skill acquisition has significant effect on unemployment reduction, Entrepreneurship empowerment affects unemployment reduction, Infrastructural development has significant effect on unemployment reduction in Anambra State. The study recommended that Entrepreneurial education in tertiary institutions should be practical oriented rather than theory as this will exposed the students to various lucrative skills. Government should provide a means of getting loans by small scale business owners in order to enhance the activities of small scale business in Nigeria.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».