Leverage points in engineering ecosystems: student industrial secondments in East Africa
Notice bibliographique
Résumé
While the relative shortage of engineering practitioners in Africa has been reported as a major obstacle on the road to development, a significant number of existing engineering graduates still find it difficult to find employment in engineering fields. This dichotomy may be partially explained by the inability of local industries to absorb more skilled labour; a relative deficit (real or perceived) in the competency of local graduates in the ever-advancing areas of science, technology, engineering and mathematics (STEM); and/or a scarcity of opportunities to hone and demonstrate their competency to employers. To address the challenge of competency deficit, this study postulated that promoting effective engineering student industrial secondment (SIS) activities can be a leverage point in the engineering ecosystem by strengthening the linkages between engineering education, practice and employability. The study surveyed the history of engineering practical training in Tanzania, Kenya, Uganda and Rwanda, complemented with a pilot study of four long-term, employment-like SIS placements in Tanzania and Rwanda. The main objective was to observe closely, trial potential models, and learn from and synthesise effective SIS experiences. The study found similarities across the countries regarding experiences with student practical training models, their challenges, and the perspectives of stakeholders. Findings also support that longer durations of SIS placements than currently practised help increase the employability of engineering students. However, in view of the small number of placements, further evidence is called for.
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 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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».