The COVID-19 pandemic: a catalyst for creativity and collaboration for online learning and work-based higher education systems and processes
Notice bibliographique
Résumé
Purpose The purpose of this research is to focus on work-based problems catalysed by the COVID-19 global pandemic, based on a case study of a multi-continental, multi-campus university distributed across Kenya, Tanzania, Uganda and Pakistan. Higher education institutions (HEIs) in developing countries lacked pre-existing infrastructure to support online education and/or policy and regulatory frameworks during the pandemic. The university's programmes in Pakistan and East Africa provide lessons to other developing countries' HEIs. The university's focus on teaching and learning and staff development has had a transformational organisational effect. Design/methodology/approach Case study with participatory approaches aimed at co-production of responsive systems and co-creation of effective curriculum and faculty training is used. Findings Systems and processes developed across the university in the effort to ensure educational continuity. From the disruption to all educational programmes and the disarray of regulatory bodies' responses, collaboration emerged as a key driver of positive change. The findings reiterate the value of trust and provision of opportunities for those with the requisite competencies to lead in a participatory and distributive manner whilst addressing limited human and financial resources. The findings reflect on previous work respecting organisational change recast in the digital age. Originality/value This paper reflects the authors' work in real-time as they led and managed changes encountered during the COVID-19 pandemic. The paper will be of value to management and leadership cadres, particularly in developing contexts, responsible for recovery and sustainability of the higher education sector.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».