Exploring the Impact of Nigeria’s Oil and Gas Local Content Policy on Higher Education Institutions: A Social Network Analysis Approach
Notice bibliographique
Résumé
This study employs social network analysis (SNA) to examine the impact of Nigeria's local content development (LCD) policy on higher education institutions (HEIs), specifically focusing on employment and training. Drawing from a multiplicity of stakeholders identified, these were subjected to critical scrutiny and seven key stakeholders were selected: the Federal Government, HEI lecturers, students, young employees, the Nigerian University Commission (NUC), the Nigerian Content Development and Monitoring Board (NCDMB), and industry players from both multinational and indigenous oil and service companies. Using documentary evidence and 32 semi-structured interviews, the study found a significant gap between HEL and FGN, however, there appears to be close ties with HEL and other stakeholder groups and the same is the case with FGN. Betweenness centrality values ranged from 0.0 to 1.417, with an overall network density of 76%, positioning the Federal Government as a central broker. However, a 24% residual unconnectedness suggests significant gaps in stakeholder relationships, corroborated by interview responses. These findings underscore critical implications for the development of Nigeria’s HEI sector and the broader scope of policy implementation, highlighting the necessity for enhanced stakeholder collaboration to fulfil the LCD policy’s objectives as per the NOGIC Act.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».