Addressing challenges to recovery and building future resilience in the wake of COVID-19
Notice bibliographique
Résumé
While organisational crisis theory posits a predictable set of stages involving pre-planning and preparation, acute crisis response, adaptation and recovery, the prolonged and cyclical nature of public-health restrictions related to COVID-19 presented new challenges for institutions of higher education and conditioned students, faculty and staff to adopt a crisis mindset as their baseline. Consequently, moving from crisis to recovery posed unique obstacles at both individual (eg anxiety, exhaustion and post-traumatic stress) and organisational levels (eg transition logistics, labour market changes and student preparation). This paper describes an effort at a large, urban, research-intensive university to directly address the evolution from pandemic crisis to recovery and future resilience. The University Resilience Project recruited a team of senior staff charged with identifying and adopting promising practices created during the pandemic and decommissioning or archiving less useful policies, procedures and activities, with a view to strengthening the university's resilience. Over the course of more than 300 meetings with academic leaders, staff leaders and student leaders, team members created a space to share the experiences of COVID-19, reflect on successes and challenges over the crisis, and identify opportunities to enhance the resilience of the university. This work raised critical insights into the process of adapting to change in an institution of higher learning.
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 | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,015 | 0,013 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,009 |
| 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 ».