DEVELOPING THE INTERGENERATIONAL TECHNOLOGY ENGAGEMENT CHECKLIST FOR HIGHER EDUCATION (IG TECH)
Notice bibliographique
Résumé
Abstract Intergenerational programs, as part of service learning initiatives in higher education, have shown to greatly benefit students in gaining professional experience that connects with classroom learning. In recent years, intergenerational technology programs in the United States and Canada have worked to enhance digital inclusion for older adults and provide service learning opportunities for students. Funded by the RRF Foundation for Aging, our multi-university research team set out to examine the implementation of programs that utilized the Cyber-Seniors reverse mentoring model within higher education. This presentation will describe the creation of a checklist to aid in the development of intergenerational technology programs within higher education, with the goal of building sustainable programs. The checklist was developed following a systematic review of the literature and interviews with 12 stakeholders. The systematic review included the analysis of 17 sources that addressed key elements of intergenerational programs such as planning, technology, accessibility, inclusivity, recruitment, marketing, safety, implementation, staffing, and training. Interviews were conducted with a purposive sample of ten higher education representatives and two Cyber-Seniors staff members, all with extensive knowledge of barriers and facilitators to program implementation. This resulted in the development of the InterGenerational Technology Engagement Checklist for Higher education (IG TECH). The IG TECH includes a series of questions to help faculty and/or staff make decisions about key elements of the program, including program planning, student recruitment, older adult recruitment and onboarding, and implementation/monitoring. Future research will evaluate the checklist through a Delphi Panel.
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 | 0,065 | 0,171 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,013 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».