Better Together: Fostering Student-Level Intercultural Competence Through Collaborative Online International Learning (COIL) and a Collaboratively Created Assessment Tool
Notice bibliographique
Résumé
Many Japanese universities have been undergoing processes of internationalization to mitigate demographic realities that conspire against robust student enrolments. These internationalization initiatives often attract students from other Confucian-based contexts who are expected to move away from their homeland and fully integrate into an unfamiliar, Japanese environment. Resultantly, international student needs are often camouflaged by cultural similarities that favour group harmony and collectivism over more equitable approaches to learning. Therefore, this Organizational Improvement Plan (OIP) aims to serve student needs by fostering the development of intercultural competencies through a pilot collaborative online international learning (COIL) project open to all students, and the creation and adoption of a context-specific rubric for intercultural competence assessment at a small, private, Japanese university to make the on-campus environment more inclusive for all students. A combined servant leadership and creative leadership approach is a foundational complement to traditional Japanese organizational practices for leading the change effort. Moreover, a context-specific adaptation of Appreciative Inquiry (AI) is supported by the Change Leader’s Roadmap (CLR) in the implementation process. A context-specific, critical-theory-supported approach to AI is also fundamental to the monitoring and evaluation process. The resulting project is focused on increasing student-level intercultural interactions to better align the university’s public-facing policy documents with on-campus practices to make the learning environment more inclusive.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».