MétaCan
Menu
Retour à la cohorte
Enregistrement W4416199805 · doi:10.54337/irspbl-11087

Celebrating Refugee Innovation

2025· article· W4416199805 sur OpenAlexaff
Pelumi Abiola-Oseni, Nada Alreyyes, R. Paul

Notice bibliographique

RevueProceedings from the International Research Symposium on Problem-Based Learning (IRSPBL) · 2025
Typearticle
Langue
DomaineSocial Sciences
ThématiqueCareer Development and Diversity
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésRefugeePerspective (graphical)Qualitative researchPsychological resilienceWork (physics)Narrative

Résumé

récupéré en direct d'OpenAlex

Refugee communities exhibit remarkable innovation as a means of survival, yet engineering’s engagement with refugee communities often comes from a deficit-perspective, where we impose our technologies onto their communities. This research seeks to shift perspectives from a deficit-based view to an asset-based approach by highlighting and celebrating these communities' innovations and experiences (Gravel et al., 2021). Specifically, we interviewed student refugees to understand what engineers can learn from refugee innovation. Using qualitative methodology and engaging participants throughout in a co-design process, the data was analysed through qualitative content analysis (Elo & Kyngäs, 2008). These interviews offered valuable insights into refugees' daily lives, survival strategies, and engineering innovation. The stories shared illustrate how these existing skills can be cultivated within refugee camps, particularly when development opportunities are provided by organizations such as the UN. These opportunities contribute to the resilience of individuals and help strengthen the communities they are rebuilding. By exploring refugee experiences and innovations, this research promotes a broader perspective on community-driven engineering and asset- based understandings of refugee communities. Future work could be used in engineering classrooms, allowing students to engage with diverse perspectives and create more effective, culturally relevant engineering solutions for the communities they serve.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,773
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,005
Études des sciences et des technologies0,0050,001
Communication savante0,0030,001
Science ouverte0,0030,001
Intégrité de la recherche0,0000,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,050
Tête enseignante GPT0,356
Écart entre enseignants0,306 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings from the International Research Symposium on Problem-Based Learning (IRSPBL)Même sujetCareer Development and DiversityTravaux en français237 207