Leveraging a Diverse Collaboration in Tertiary Education to Develop Capability for Workplace Innovation
Notice bibliographique
Résumé
Recent developments in tertiary education are demonstrating teaching and learning methods to develop students’ capability for employee-led Workplace Innovation. In this article, we describe an international collaboration to develop shared learning resources and activities in workplace innovation for adaptation in diverse tertiary education contexts. We are intentionally seeking out additional collaborating institutions that differ in mission, size, location and student demographics, to leverage our team’s diversity and encourage innovation. When shared learning resources and activities are to be used in a diverse contexts, some core principles underlying instructional success must also be shared in order to ensure adaptations do not remove key properties. We outline four instructional principles underlying the learning design and illustrate how these principles are applied in our current learning resources. We then describe some of the ways that these shared resources have been adapted for different tertiary education environments. We also discuss some of the benefits emerging from the collaboration, including how the inclusion of new resources targeting specific work domains and the transfer of new teaching and learning ideas across contexts. We conclude by describing some of the ways we are also collaborating with workplace partners, to ensure that our graduates have the capabilities needed to contribute to workplace innovation practice and to help advance the workplace innovation capability of their own employees.
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 | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,029 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».