Towards a Common Vision for Innovation: Making Sense of Complexity in a Health Sciences Program
Notice bibliographique
Résumé
The growing use of digital educational technologies in higher education has seen considerable change resulting in significant institutional energies directed towards maintaining currency with today’s emerging trends. The move to digital transformation is an inevitable assumption and generally positively accepted by academia. Despite this, technology integration has emerged in an ad hoc and reactive fashion rather than purposeful and strategic. This Organizational Improvement Plan (OIP) addresses the need for a shared vision for technology adoption across a health sciences program in a mid-sized institution. Although faculty participate enthusiastically in developing curricular initiatives, their roles and engagement with technology visioning are often void of their collective voices. The theoretical concepts of sensemaking and learning culture offer insight into the complexity of connecting technology to learning pedagogy. Central to developing capacity requires facilitating meaningful connections between users about the technology and the implications to practice. This OIP builds upon the need for a collaborative lens that acknowledges cultural nuances and individual empowerment. Key in the success of leading the process will be the enactment of adaptive and transformational leadership, where the approach for change is modelled in a collaborative and supportive manner. The change implementation plan of the proposed change is fostered by the dual application of Cawsey et al.’s (2016) Change Model and Kotter’s eight-stage process (2012). Ultimately, this OIP will result in an integrated visionary approach to technology adoption across a health science program.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».