Gig qualifications for the gig economy: micro-credentials and the ‘hungry mile’
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
This paper argues that micro-credentials are gig credentials for the gig economy. Micro-credentials are short competency-based industry-aligned units of learning, while the gig economy comprises contingent work by individual 'suppliers'. Both can be facilitated by (often the same) digital platforms, and both are underpinned by social relations of precariousness in the labour market and in society. They are mutually reinforcing and each has the potential to amplify the other. Rather than presenting new opportunities for social inclusion and access to education, they contribute to the privatisation of education by unbundling the curriculum and blurring the line between public and private provision in higher education. They accelerate the transfer of the costs of employment preparation, induction, and progression from governments and employers to individuals. Micro-credentials contribute to 'disciplining' higher education in two ways: first by building tighter links between higher education and workplace requirements (rather than whole occupations), and through ensuring universities are more 'responsive' to employer demands in a competitive market crowded with other types of providers. Instead of micro-credentials, progressive, democratic societies should seek to ensure that all members of society have access to a meaningful qualification that has value in the labour market and in society more broadly, and as a bridge to further education. This is a broader vision of education in which the purpose of education is to prepare individuals to live lives they have reason to value, and not just in the specifics required of particular jobs.
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 | 0,001 | 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 découle