Resource-Rich and Inclusive Vocational Education: Driving Entrepreneurial Intentions in Disadvantaged Student Populations
Notice bibliographique
Résumé
Context: Vocational education has evolved from merely providing technical skills for employment to fostering self-employment and entrepreneurial careers, particularly in response to global unemployment challenges. This shift is critical in resource-constrained environments, where many youth face disadvantages due to cycles of generational poverty. While enhancing entrepreneurial intentions is now a goal within Technical Vocational Education and Training (TVET) institutes, it remains challenging in contexts where students are less resilient and more risk averse. Despite increasing efforts by vocational institutes to implement inclusive practices—such as providing diverse resources and accommodating various learning styles—little is known about the effectiveness of these initiatives in promoting entrepreneurial intentions. Approach: This study investigates the relationship between resource support mechanisms—including financial aid, access to technology, location assistance, and business mentorship—and inclusive teaching practices in relation to entrepreneurial intentions among disadvantaged TVET students in the Caribbean. Utilizing a quantitative design, data were collected from 240 TVET students via structured surveys. Findings: Findings reveal that inclusive teaching practices positively correlate with entrepreneurial intentions, while the four forms of resource support show no direct relationship. However, cluster analysis indicates that when both resource support and inclusive teaching are perceived as high, entrepreneurial intentions also increase. Conclusions: The results underscore the importance of a comprehensive support system that combines resource provision with inclusive teaching to benefit disadvantaged populations. Policymakers and TVET administrators should prioritize synergistic strategies to enhance entrepreneurial intentions, paving the way for improved opportunities and outcomes for marginalized students.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».