Realigning Teaching To Cultivate Emotional Intelligence in Students
Notice bibliographique
Résumé
Building on research that focused on the ‘what’ and ‘why’ of emotional intelligence, this symposium presents four papers from authors representing five countries, that provide empirical evidence on the ‘how’ of enhancing emotional intelligence amongst students. Only then will students be able to successfully navigate geo-political shifts in workers’ identity including unrest at the workplace, mass resignations and intensified labor activism. Through this symposium we hope to encourage teachers to draw on constructivist strategies to create experiential, multi-disciplinary and transformational pedagogies, in which the teacher is both co-learner and role model, while the student is an active and fairly autonomous learner. Teaching to Cultivate Emotional Intelligence in Students Author: Payal Kumar; Indian school of hospitality Author: Tom Elwood Culham; Beedie School of Business Simon Fraser U. Author: Richard Jackson Major; Institut de Gestion Sociale Paris Author: Richard Peregoy; U. of Dallas, Satish & Yasmin Gupta College of Business Author: Chulguen Yang; Southern Connecticut State U. Author: Maria Ivanova; U. of Applied Arts Vienna Author: Ekaterina A. Ivanova; HSE U. Author: Dunia Harajli; Lebanese American U. Author: Bart Norre; U. of Applied Sciences and Arts of Western Switzerland Author: James M Hunt; organisations and the Natural environment Author: Scott N. Taylor; Babson College Author: Lucy Turner; Babson College Author: Danna Greenberg; Babson College Author: Krystal Rawls; California State U., Dominguez Hills Author: Craig Richard Seal; California State U. San Bernardino Author: Sharonda Nicole Bishop; doctoral student at DePaul U. Kellstadt Graduate School of Management Author: Marquis Gardner-N; U. of La Verne Author: Selina Sanchez; California State U. San Bernardino Author: Shammi Gandhi; New Mexico State U.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».