Learning to build institutional capacity through knowledge-based partnerships between universities and industry: lessons for engineering ecosystems from computing in Kenya
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
Two of the main challenges facing engineering ecosystems in Africa are 1) enabling universities to produce more high-quality research, and 2) creating more linkages between universities and industry to ensure that research is used, and that highly skilled workers have appropriate knowledge and training. But how can we understand knowledge-focused linkages between universities and industry in relation to other capacities and capacity building efforts within engineering systems? What are the challenges and benefits of building these linkages, and what processes and practices lead to lasting partnerships? We address these questions for the case of computing and information technology in Kenya. Our analysis comes from a three-year project which created and evaluated industrial studentship and fellowship programmes that involved partnerships with companies. University–industry linkages can be understood as an aspect of institutional capacity: a concept that refers to a range of capabilities – important across engineering ecosystems, but especially for universities – that enables production of high-quality and locally relevant research and contributes to the professional development of graduates. Other interrelated aspects of institutional capacity include mechanisms to support acquisition of funding; norms of mentorship, peer support, and scholarly communication; and structures that enable researchers to balance research and teaching. Our data reveal that while some of these capabilities are weak or missing in the Kenyan computing ecosystem, intermediary organisations can act as knowledge brokers to build linkages and facilitate learning between universities and industry. However, these linkages must be built alongside other dimensions of institutional capacity, especially social components like mentorship and peer-to-peer 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.
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 | 0,001 | 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 | 0,001 |
| 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 découle