Digital Transformation Principles Driving Journeys toward Educational Resilience
Notice bibliographique
Résumé
The implementation, support, and ultimate success of digitally-informed innovations to teaching and learning practices requires focused intentionality whose approach is grounded in academic rigour, practical experience and organizational maturity. The success of technology-supported innovation in higher-education teaching and learning practices, driven by external factors like COVID and the resultant economic challenges, will be explored in relation to teaching faculty and administrative leaders developing and maintaining positive motivation towards change including addressing major organizational challenges. // Innovation, Change and Transformation // As Senior Instructor Emeritus, Ron Murch has more than 45 years of experience with the University of Calgary’s Haskayne School of Business. Ron maintains that digital transformation requires faculty members to adopt the requisite innovations in practice and technologies as imagined by the Technology Acceptance Model and expanded upon by two key principles - each new practice or technology must have recognizable and positive value for the individual who is changing; and it cannot be too difficult for the adopter to work with. // Guiding Principles // Dr. Peter Chatterton is a Chartered Physicist and digital innovator. He worked in roles such as critical friend, evaluator and change management consultant with the UK Government’s multi-million £s HEI digital innovation and transformation programmes during 2000-2020. From this experience, Peter asserts that HEIs can be both creative and effective at digital innovation. However, scaling-up and embedding such innovations to build long-term resilience and effect digital transformation across the institution invariably faces numerous challenges. These are explored through the lens of seven key guiding principles for digitally transforming learning programmes for open and flexible learning. // Commitment and Motivation // Michael Barr is Chief Information Officer at the Southern Alberta Institute of Technology in Calgary, Alberta, and a doctoral student in higher education management at the University of Bath, UK. Building on a theory of behavior in organizations, Michael explores the motivation process and its impact on the construction of strategic plans and the organization’s ability to deliver successful outcomes. He draws upon 28 years’ of IT practitioner experience to ground his scholarly work with practical advice and considerations for undertaking digital transformation of teaching and learning practices.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,054 |
| Communication savante | 0,015 | 0,018 |
| Science ouverte | 0,001 | 0,016 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».