MétaCan
Menu
Retour à la cohorte
Enregistrement W4206915961 · doi:10.1177/21582440211069390

Our Gains, Pains and Hopes: Community Partners’ Perspectives of Service-Learning in an Undergraduate Business Education

2022· article· en· W4206915961 sur OpenAlexafffundabout
Theresa A. Chika-James, Tarek Salem, Mercy C. Oyet

Notice bibliographique

RevueSAGE Open · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueService-Learning and Community Engagement
Établissements canadiensUniversity of New BrunswickMacEwan University
Organismes subventionnairesMacEwan University
Mots-clésService-learningPublic relationsService (business)Learning communitySociologyBusinessMarketingPedagogyPolitical science

Résumé

récupéré en direct d'OpenAlex

In assessing the impact of service-learning, most studies focus on its effects on students’ learning than community partners and the communities served; leaving largely unanswered, the question of whether service-learning in business education still contributes value to community organizations and the wider society. This study investigates the impact of service-learning on communities through the perspectives of community partners from nonprofit and for-profit organizations in Canadian urban communities. Using semi-structured interviews and qualitative analysis, the authors collected and analyzed data from 30 participants to confirm their perspectives of service-learning in an undergraduate business education. The study found that service-learning offered practical benefits to communities and presented challenges that impacted partners’ experiences of service-learning. The penultimate sections of the paper provide recommendations for the improvement of the pedagogical practices of service-learning and advancement of community organizations. Key recommendations to maximize benefits for community partners include more faculty-community partners’ collaboration and creating networking opportunities for community partners.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,089
Score d'incertitude au seuil0,177

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0240,024
Communication savante0,0150,010
Science ouverte0,0020,013
Intégrité de la recherche0,0030,009
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,406
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueSAGE OpenMême sujetService-Learning and Community EngagementTravaux en français237 207