Adaptability, Interdisciplinarity, Engageability: Critical Reflections on Green Social Work Teaching and Training
Notice bibliographique
Résumé
The upward tendencies of global climate change, disasters, and other diverse crises have been urgently calling for green social work (GSW) interventions which engage a holistic approach to explore diverse societal dimensions' compounded influences on inhabitants' individual and collective health and well-being in disaster settings. Though globally gaining more attention, GSW has been slow to develop in the Canadian social work curriculum and professional training. This deficit jeopardizes integrating environmental and climate justice and sustainability in social work research and practice in Canada. In response to this pedagogical inadequacy, this article employs a critical reflection approach to examine two authors' two-academic-year teaching-learning and supervision-training experiences of GSW-specific in-class and field education in a Master of Social Work program. The content analysis illustrates three essential components for GSW-specific teaching and training, namely adaptability, interdisciplinarity, and engageability. These components enhance the prospective social workers' micro-, mezzo-, and macro-level practices to better support individuals, families, and communities affected by extreme events and promote their health and well-being in disaster and non-disaster scenarios. These GSW-specific pedagogies shed light on the fact that integrading climate change, disasters, and diverse crises in pedagogical innovations should be encouraged beyond the social work profession. A multidisciplinary multi-stakeholder engagement approach would comprehensively investigate and evaluate the essential components and evidence-based strategies that better serve inhabitants and promote resilience and sustainability.
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 | 0,005 | 0,002 |
| 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 | 0,022 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».