MétaCan
Menu
Retour à la cohorte
Enregistrement W4401194649 · doi:10.1108/heswbl-02-2024-0030

Stakeholders’ perceptions of occupational competency assessment and certification systems in Ethiopia’s TVET programs

2024· article· en· W4401194649 sur OpenAlexaboutno aff
Ashebir Tekle, Solomon Areaya, Getachew Habtamu

Notice bibliographique

RevueHigher Education Skills and Work-based Learning · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Learning Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCertificationPerceptionMedical educationCompetency assessmentBusinessPsychologyEnvironmental resource managementPolitical scienceMedicineEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Purpose This research aims to explore stakeholder perspectives on Ethiopia’s occupational competency assessment and certification systems. Design/methodology/approach The study utilized a mixed-methods strategy within a concurrent embedded design and adopted a pragmatic perspective. Data collection involved questionnaires, interviews, and focus group discussions, selecting respondents via purposive sampling for their significant experience and deep understanding of competency assessment. Analytical methods included descriptive and inferential statistics, as well as narrative techniques. Findings There is a generally positive perception of the value of competency assessments. However, the study finds several major limitations: inadequate candidate competency assessment, lack of skill gap analysis in TVET institutions for improved training, failure to maintain assessment standards, a high candidate-to-assessor ratio, and assessment tools that do not meet occupational standards. These issues show that the existing method misjudges TVET candidates' skills. To increase employer acceptance of competency assessments, the Center of Competence (CoC) agencies should integrate industry expertise, highlight their benefits, and emphasize the importance of training quality and career goals for candidates and trainers. Practical implications A study reveals that African nations like Ethiopia, Ghana, South Africa, Rwanda, Morocco, Benin, and Senegal have been implementing competency-based training (CBT) for around two decades, with support from countries like Canada, France, Belgium, Germany, Switzerland, Australia, Luxembourg, and Japan. However, the programs are often inconsistent and disorganized, with little private sector participation. There is a significant difference between the goals of quality assurance entities and the resources allocated. Although competency assessment is a fundamental part of CBT, there is a lack of research demonstrating its practice. Therefore, we conducted this research in Ethiopia, the second most densely populated nation in Africa. The results apply to other comparable nations implementing CBT programs (IIEP-UNESCO, 2021). Originality/value The research on stakeholders' perceptions of competency assessment is still in its early stages, with most studies focusing on training quality-related issues. This study expands on our knowledge of occupational competency assessment by analyzing perspectives from a comprehensive stakeholder perspective, considering contextualized assessment practices, addressing stakeholder needs, providing practical implications, and identifying future research directions. Furthermore, it offers valuable perspectives on developing competency-based education in Africa and other regions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0030,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,082
Tête enseignante GPT0,412
Écart entre enseignants0,329 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHigher Education Skills and Work-based LearningMême sujetHigher Education Learning PracticesTravaux en français237 207