What WIL We Do? Improving the Practice of Student Preparation Prior to Work-Integrated Learning Experiences Through Innovative Curriculum Design
Notice bibliographique
Résumé
Globalization, the rise of the digital economy, and the restrictions caused by the COVID-19 pandemic (Dean & Campbell, 2020; Sutherland & Symmons, 2013; Zegwaard et al., 2020) have contributed to the emergence of several modalities of work-integrated learning (WIL) in higher education. The result of all this activity has been a rise in the need to discuss WIL curriculum design, particularly as it pertains to student preparation before a WIL experience (Cooper et al., 2010). Further research in this domain is necessary to address employer perceived deficiencies in student performance and ability upon entering the workplace for WIL (Jackson et al., 2017; Winterton & Turner, 2019). In this paper, I analyze and interpret the theoretical underpinnings of WIL curriculum design and align these tenets with emerging pedagogical approaches that reinforce the desired learning outcomes for WIL while also addressing a skills gap. I draw on the recent WIL literature on the theories of scaffolding, critical reflection, transformative learning, and agency, and showcase how methods such as problem-based learning, digital game-based learning, the co-operative learning method, and case-based learning have the potential to enhance student preparation before WIL. The discourse in this paper has an aim of highlighting opportunities to expand the literature for WIL curriculum design to improve pedagogical outcomes in higher education.
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 | 0,027 | 0,018 |
| 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 | 0,011 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».