Comparing Factors Influencing Entrepreneurial Self-Efficacy Between Vocational and Academic Post-secondary Students
Notice bibliographique
Résumé
Entrepreneurship promotion continues to be an important domain for economic policy and growth. Closely related to entrepreneurship promotion are the very individuals engaging with entrepreneurship, whose belief and efforts to succeed are highly correlated with their view that they ‘have what it takes”, measured as entrepreneurial self-efficacy (ESE). ESE has thus become a critical factor toward understanding entrepreneurship support. However, most extant scholarship focuses on formal and university education, while little is said about incorporating entrepreneurship and ESE with technical vocational education and training (TVET) to develop entrepreneurs. This is surprising because so many micro and small businesses, particularly trades, are heavily anchored in TVET. This study compares academic and TVET post-secondary students in Trinidad and Tobago to determine the factors that enhance their ESE. Data emerged from three (3) regression models explaining how academic and TVET students’ ESE are correlated with several factors. Parents with a university degree, friends who are entrepreneurs and an extracurricular focus on entrepreneurship were vital factors that saw a positive correlation with ESE among the TVET population. In contrast, academic students are driven primarily by experiences. Full-time work experience and entrepreneurial experiences were significantly correlated with the ESE of academic students. Our work highlights that academic and TVET students’ ESE have different world views that impact education. This study demonstrates the importance of tailoring entrepreneurial learning for TVET students by linking ESE with cultural capital theory. We found that when teaching academic students entrepreneurship, more emphasis should be placed on experiential learning. Our research provides empirical findings we believe to be both unique and highly relevant to the literature of entrepreneurship 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
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».