Perspectives of Nigerian Graduates on Curriculum Reengineering, Acquisition of Emerging Technologies, and Job Creation: A Descriptive Study
Notice bibliographique
Résumé
Curriculum reengineering, web-based technology acquisition, and job creation among Nigerian tertiary institution graduates were all examined in this research. The researchers used a descriptive survey design following the quantitative research approach. The study included all Nigerian graduates eligible for national service or its exemption who earned their diplomas or degrees between 2016 and 2021. The data was gathered via an online survey titled "Curriculum Re-engineering, Acquisition of Emerging Technologies, and Job Creation Questionnaire (CRAETJCQ). To assemble the data for this study, we used a snowball method. There were 4,874 replies countrywide after four months of data collection; however, only 4,628 responses satisfied the data analysis conditions after screening out irrelevant responses. Results indicated low curriculum reengineering in Nigerian postsecondary institutions. Nigerian graduates had a poor adoption of new web-based technologies but are increasingly using them for word processing, graphics, data science and data analysis. Nevertheless, only a few graduates employed emerging techs for other purposes (such as printing, YouTube video creation, course design and development, software development, digital marketing, online advertising, and consumer outreach). Although 58.30 per cent of graduates reported having not created any job, 41.70 per cent have done so between 2016 and 2021. Of the 1,930 graduates who owned at least one small or medium enterprise, 58.96% had no employees, whereas 41.04% had hired at least one employee between 2016 and 2021. The graduates' job creation index was estimated to be approximately 50% using a new formula. Based on these results, conclusions and recommendations were made.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».