Exploring Intersections and Integrations: Advancing Equity in Educational HR Analytics
Notice bibliographique
Résumé
In the realm of education, fostering equitable systems that promote student success necessitates preparing HR MBA students, administrators, and faculty to engage effectively with data and analytics. This research examines the intersection of HR analytics and educational equity, focusing on identifying and addressing gaps in the practical application of People Analytical Platforms (PAPs) within educational settings. Central to this inquiry is the concept of 'multimodal inclusiveness,' which emphasizes the adoption of practices that recognize and accommodate diverse modes of communication and interaction inherent in educational contexts. By fostering equitable engagement with analytical tools, this approach seeks to empower stakeholders to collaborate effectively and inclusively. This study employed a primarily survey‑based approach to explore how HR professionals engage with data and analytics in educational settings. An online questionnaire was completed by 192 participants—148 university administrators (mostly from Canadian and U.S. HR MBA programs), 18 alumni/current students, and 26 faculty and lecturers. Using survey analysis and thematic exploration, the study investigates how HR education programs prepare students to leverage analytics for fostering inclusivity, promoting ethical practices, and challenging inequities in education. By bridging the gap between theoretical knowledge and practical application, this research aims to equip future HR professionals with the tools and competencies needed to drive systemic change, enhance organizational accountability, and prioritize inclusivity. Ultimately, the findings underscore the transformative potential of HR analytics in shaping equitable, ethical, and inclusive practices within educational institutions, advancing both student well-being and institutional success.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».