Integrating LinkedIn Learning through librarian–faculty collaboration: Case studies from a Canadian university
Notice bibliographique
Résumé
This paper explores how librarian–faculty collaboration at a Canadian university promoted the strategic integration of LinkedIn Learning (LiL), a third party digital learning platform, into teaching, professional development and co-curricular activities. Using specific institutional case studies, the paper examines how librarians led instructional design, facilitated access to digital microlearning content and supported self-directed and reflective learning across academic and professional settings. The first case explores the integration of LiL into undergraduate commerce courses and a graduate eHealth programme where curated learning paths addressed specific skill gaps and improved student readiness. The second case investigates how LiL supported reflective practice and metacognitive development in an engineering management course, with measurable effects on student engagement and skill development. The third case showcases the use of LiL in staff training and development, including tailored learning pathways for academic library staff. Findings indicate that academic librarians played a crucial role in aligning LiL content with curricular and institutional objectives, fostering inclusive and adaptable learning environments and assisting learners in using digital tools effectively. The expiration of McMaster’s campus-wide LiL licence in autumn 2025 has raised sustainability concerns, including licensing expenses, access equity and long-term curricular planning. The study concludes that while third party platforms such as LiL can improve digital pedagogy, their success relies on cross-functional teamwork, continuous institutional backing and well-defined instructional alignment. The paper provides practical strategies for integrating digital platforms into curricula and examines the limitations of depending on proprietary tools. These findings add to broader discussions about digital transformation in higher education and the changing instructional roles of academic librarians and faculty collaboration. This article is also included in The Business & Management Collection which can be accessed at https://hstalks.com/business/.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,016 |
| 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 ».