Enhancing the Quality Assurance of Fashion Technology Courses in India: A Comparative Study between Educators and Industry Professional
Notice bibliographique
Résumé
Higher education institutions are entrusted with the herculean task of ensuring quality in teaching and learning process of students. It is important that these institutions establish and maintain a proper quality assurance system so that they can offer quality services to their key stakeholders. Fashion Technology courses in India are undergoing drastic transformations in the recent years to keep pace with developments in industry and market conditions. The expectations from the stakeholders has increased manifold and it is the responsibility of the education leaders related with Fashion Technology courses to ensure higher quality in educational offerings. The purpose of this work is to evaluate the importance of different factors in ensuring quality in fashion technology courses. From the extensive review of literature on quality assurance parameters in higher education, ten unique factors were identified. Data were collected from 330 faculty members and 280 industry professionals from fashion design technology industry. Quality assurance parameters like Resources (Students, Faculty, Infrastructure), Education Management, Instructional Design and Delivery, Assessment and Evaluation, Student learning outcomes, Learning Experiences, Professional Attributes, and Skill Sets were considered in this study. Statistical measures like relative importance index (RII), t-test, correlation analysis, etc. were used to compare the perception of educators and industry professionals. The study highlights the importance of different factors in promoting quality assurance in fashion technology courses. The findings has several implications for educators to focus on enhancing quality assurance in higher education in general and fashion technology courses in particular.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».