Industry competencies or wellbeing capabilities? Assessing a Kenyan case of CBET reform
Notice bibliographique
Résumé
Technical and vocational education and training (TVET) is increasingly viewed as a development strategy in Africa. Yet TVET is also criticized for its human capital orientation focused primarily on market needs. Competency-based education and training (CBET), a TVET approach, has been further criticized for reducing students to mere instruments of value creation defined by the competencies required by industry. This study explores whether CBET can be reframed to incorporate a capability approach that better promotes wellbeing in Africa beyond industry competencies. The capability approach is a wellbeing framework that emphasizes expanding the agency and capabilities of people to choose the kinds of lives they find valuable. Incorporating a capability approach orientation into CBET would place fostering student agency and wellbeing capabilities as a central educational focus rather than just the needs of industry. Using the Most Significant Change method, the study assesses a case of CBET reform in Kenya for its potential to expand student agency and capabilities. The findings illustrate that the adoption of CBET’s learner-centred pedagogy played a role in expanding student capabilities while also building industry-relevant competencies. Moreover, intentionally mainstreaming gender within CBET further expanded female agency and capabilities. Yet, this expansion of wellbeing is limited by the financial character of CBET and its interconnection to student poverty. Overall, the findings demonstrate that there is potential for CBET to move beyond a sole focus on human capital and embrace expanding student capabilities. [Abstract continued in PDF]
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».