Challenges to Engage Low-Skilled Adults in Education and Training: An International Perspective
Notice bibliographique
Résumé
Abstract The demand for adult education and training (AET) opportunities throughout the life course is substantial as labor markets often require workers to obtain advanced skills. AET opportunities are more often pursued by high-income and high-skilled workers than low-skilled or low-income workers. With the increased prominence of job automation and technological advances in the workforce, low-skilled workers are at risk for fewer opportunities within the labor market. These factors emphasize the importance of providing learning opportunities throughout the life course. In this mixed-methods study, we analyzed 2012/2014 data from the Program for the International Assessment of Adult Competencies (PIAAC) for the U.S., Canada, the Netherlands, Norway, and Sweden to compare participation rates in non-formal education (NFE) by high and low-skilled adults. Countries were selected based on qualitative findings that inform best practices. Additionally, to gain insights of policies and programs that promote NFE, international key informant interviews (n = 33) were conducted. AET policies and programs, along with barriers such as cost, motivation, and time, were explored with key informants. Findings include (1) aging and skills are negatively correlated in all nations of interest; (2) low-skilled adults are less likely to participate in NFE than their high-skilled counterparts; (3) low-skilled workers in Norway and the Netherlands are more likely to participate in NFE than their U.S. counterparts; and (4) NFE is often more acceptable to low-skilled adults due to previous negative experiences with formal education. Using these findings, we discuss successful AET programs in Nordic countries for overcoming barriers.
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 | 0,004 |
| 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 | 0,001 |
| 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 ».