How can students-as-partners work address challenges to student, faculty, and staff mental health and well-being?
Notice bibliographique
Résumé
Mental health has emerged as a critical area of attention in higher education, and educational research over the last 15 years has focused increasingly on emotions and wellbeing at all stages of education (Hill et al., 2021). While definitions of well-being vary, most are premised on “good quality of life” (Nair et al., 2018, p. 69). Within the last few years, we have experienced an intersection of several forces that undermine or threaten good quality of life. These include the uncertainties prompted by the COVID-19 pandemic (Hews et al., 2022, U.S. Surgeon General, n.d.), climate change (Charlson et al., 2021), racism and social injustices (Williams & Etkins, 2021), the cost-of-living crisis (Montacute, 2023), and the lack of motivation and higher incidence of mental health issues associated with growing concerns about job prospects and income (Chowdhury et al., 2022). This fifth iteration of Voices from the Field explores some of the ways in which students-as-partners work can address challenges to the mental health and well-being of students, faculty, and staff. This focus, proposed by members of the IJSaP Editorial Board, both responds to the intersecting realities named above and remains true to the goal of this section of the journal, which is to offer a venue for a wide range of contributors to address important questions around and aspects of students-as-partners work without going through the intensive submission, peer-review, and revision processes. The prompt we included in the call for this iteration of Voices was: “In what ways can students-as-partners work address challenges to the mental health and well-being of students, staff, and faculty posed by the current realities in the wider world (socio-political, environmental, economic, etc.) that affect higher education?”
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gpt | aucune catégorie Domaine: non disponible · Genre: Autre Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
| grok | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| opus | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
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 | 0,000 |
| 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 | 0,002 | 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 | 0,000 |
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 validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».