Preparing the future workforce for 2030: the role of higher education institutions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The invasion of futuristic technologies has made it inevitable for the future workforce to confront this reality and be ready to work in the new world of work in 2030. Higher education institutions (HEIs) are obligated to assume a pivotal role in equipping students with the requisite competencies. COVID-19 has expedited the development process compelling HEIs to make a mega shift to prepare the future workforce. Primary data was collected from HEI students across 11 countries to analyse their confidence to work in the new world of work in 2030 and to understand the role of HEIs in influencing students’ confidence. Exploratory Factor Analysis (EFA) and Partial Least squares (PLS) based structural equation modeling (SEM) procedures were employed to estimate a structural model of awareness and readiness (cognitive) and confidence (affective) factors, and the combined effect of HEI, awareness, and readiness on overall student confidence in their knowledge, skills and abilities. The statistical results indicate that there are strong significant relations between the HEI-Awareness; HEI-Awareness-Confidence; HEI-Readiness; and HEI-Readiness-Confidence and these dependencies are not just by chance. The results of this research are significant for higher education policy developers and curriculum developers to incorporate future competencies in the program. Further, educators and researchers will benefit from the results to develop teaching strategies and content to equip the future workforce for 2030.et.
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.
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 | 0,000 | 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 | 0,000 | 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 | 0,000 |
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 découle