Resilience in higher education settings during the COVID-19 pandemic: A scoping literature review with implications for policy and practice
Notice bibliographique
Résumé
With the onset of the COVID-19 pandemic, the construct of resilience has received growing attention in the higher education literature. The pandemic, acting as an external stressor, impacted multiple higher educational settings in 2020 during the period of lockdowns, when universities had to temporarily close on-campus activities and shift to online emergency responses. The objective of this scoping review is to explore how resilience was conceptualized in the higher education research literature during the initial emergency response phase of the pandemic, and how conceptual and research design choices in this early body of literature shaped policy recommendations aimed at enhancing resilience of individuals and support systems in higher education settings. This article, thus, contributes to the ongoing discussion in the academic and policy-relevant literature on how to better prepare universities as organizations and communities for a response not only during the emergency pandem ic, but also beyond in post-pandemic higher education settings. In particular, the paper examines five related questions, as pertaining to the early literature on the university emergency response in higher education: 1) how, and at which levels (i.e. individual, community, organization, system) was resilience conceptualized, 2) what types of research questions on resilience were being explored in this literature (i.e. determinants of resilience, or impacts of resilience), 3) how, and via which instruments, resilience was measured, 4) which factors were found to be facilitative for resilience, and 5) which factors were found to be impacts of resilience. The article synthesizes the findings of the early literature on resilience in higher education during the pandemic emergency response, and discusses important areas for further academic research, highlighting the implications for relevant support policies and interventions.
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 | 0,021 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,018 | 0,021 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».