Conditions Fostering International Graduate Students’ Happiness and Engagement During the COVID-19 Pandemic
Notice bibliographique
Résumé
This paper focuses on eight conditions that kept international master’s students (IMS) in a Southern Ontario university happy and engaged in their studies during the first and second waves of the COVID-19 pandemic. Using the first phase of the Appreciative Inquiry’s (AI) 4-D cycle—i.e., discovery—this doctoral study conducted 14 individual interviews and three focus group discussions to identify conditions that made the IMS students happier and more engaged despite pandemic-related challenges. The study is crucial in advancing positive experiences of IMS because existing literature has focused primarily on their challenges and problems. The study’s use of AI, a strength-based theoretical and methodological approach, suggests the need to highlight the quality experiences of this minoritized group. Data revealed specific factors that brought about happiness and boosted IMS engagement in their studies, namely: financial and emotional support from family; responsive instructors; employment opportunities during the pandemic; and learning and engaging in extracurricular activities with colleagues and friends. Other conditions also proved crucial to participants’ happiness and engagement in their studies, including: professionalism of non-teaching staff; the institution’s learning management system and supporting online platforms; virtual access to campus software and other learning resources; and reduced travel time. Study findings aim to inform international student policy and enrich the international student experience literature.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,007 | 0,001 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».