Navigating White Waters: Generation Z Untraditional College Transition Amid Unprecedented Social, Health, and Academic Crisis
Notice bibliographique
Résumé
Over the last three years, crises of a historical magnitude have had a profound impact on the higher education system in the U.S. During the spring of March 2020, COVID-19, referred to as the coronavirus, caused a significant health crisis, killing hundreds of thousands of people, while disrupting the educational, economic, and health system (Gupta, 2021). The following year, a 46-year-old black man, George Floyd, was brutally murdered by a white police officer, sparking violent protests and debate around racial equity, policing, and justice. A toxic and polarizing political environment further complicated issues under the controversial leadership of President Donald Trump. Colleges and universities had to quickly pivot to remote instruction, enforce mask mandates, and carefully navigate discourse to minimize disruption to the education of students. The adjustment was challenging for most institutions, particularly those classified as Hispanic Serving Institutions (HSI) or Minority Serving Institutions (MSI). They are usually under-resourced but serve many marginalized, low-income, first-generation, and at-risk students. These organizations encountered both obstacles and opportunities in the attempt to usher in a new generation of learners, Generation Z. Generation Z, often referred to as Gen-Z, are those individuals born between the years 1995-2015; a group that has experienced an untraditional and unprecedented college transition that will have a lasting impact on their younger and older adult lives. This qualitative case study explored the lived experience of Generation Z college students as they navigated the uncertain and tumultuous college transition into an HSI/MSI during the large-scale U.S. and world crises.
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 | 0,001 |
| Études des sciences et des technologies | 0,003 | 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 ».