MétaCan
Menu
Retour à la cohorte
Enregistrement W4392598294 · doi:10.3389/feduc.2024.1336576

The social innovation profile in students as a transformation strategy: structural equation modeling

2024· article· en· W4392598294 sur OpenAlexaff
Leonardo David Glasserman‐Morales, Carolina Alcantar-Nieblas, Sergio Nava-Lara

Notice bibliographique

RevueFrontiers in Education · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueEducational Innovations and Challenges
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésStructural equation modelingTransformation (genetics)Social innovationComputer scienceKnowledge managementIndustrial engineeringEngineeringPolitical sciencePublic relationsChemistry

Résumé

récupéré en direct d'OpenAlex

The development of social entrepreneurship competencies in university students favors the generation of proposals for solutions to different social problems, thus promoting a positive social impact capable of transforming people’s living conditions. This study aims to analyze the relationship between the dimensions of social entrepreneurship competence: entrepreneurial management, social value, leadership, effective communication and social innovation. A total of 408 higher education students from 13 countries and six different disciplinary areas participated in the study, ranging in age from 18 to 58 years ( M = 22.4, SD = 6.0). The social entrepreneurship instrument was used, which is composed of 28 items grouped into five dimensions. A structural equation model was calculated. The findings indicate that entrepreneurial management, social value, and leadership are directly and positively related to personal competencies and social innovation. These results prove the importance of social entrepreneurship training in the development of social innovation in students, it is important that educational institutions in general carry out a review of their curricula and programs that take into account the development of social innovation competence as a factor that can enhance social change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,774
Score d'incertitude au seuil0,489

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,372
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in EducationMême sujetEducational Innovations and ChallengesTravaux en français237 207