From pandemic crisis to recovery and resilience: lessons from COVID-19 at a large urban research university
Notice bibliographique
Résumé
The abrupt onset of the COVID-19 pandemic forced a dramatic shift in higher education. Over time, the prolonged and cyclical nature of public-health restrictions conditioned students, faculty, and staff to adopt a crisis mindset as their baseline. Moving from crisis to recovery therefore posed unique obstacles at both individual (e.g. anxiety, exhaustion, and post-traumatic stress) and organizational levels (e.g. transition logistics, labor market changes, and student preparation). Using case study methodology, this paper describes an effort to directly address the evolution from pandemic crisis to recovery and future resilience at large, urban, research-intensive university spanning three campuses. Consultation meetings in the form of individual interviews and focus groups with 301 academic leaders, staff leaders, and student leaders across the institution raised critical insights into the process of adapting to change in an institution of higher learning. The analysis of discoveries and resulting actions clustered into four themes: fatigue, loss, and pride in the aftermath of crisis; moving forward (including recognizing efforts and challenges to integration); innovation out of adversity caused by COVID-19; and future-proofing by seizing opportunities for creating resilience. Despite the chaos that crises may introduce, this case study illustrates how they carry unique opportunities for growth. As the future will continue to present all manner of challenges, the willingness and ability to adapt will define future outcomes for 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
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,025 | 0,015 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».