Competency-Based Learning for Future-Ready Governance: Functional and Behavioural Skills in Sarawak Local Councils
Notice bibliographique
Résumé
The purpose of this study is to examine workforce competencies within Sarawak’s local councils and to explore how competency assessment can serve as an educational tool for Human Resource Development (HRD). Guided by Human Capital Theory, Strategic HRD, and Adult Learning principles, a mixed-methods design was employed combining survey data from 208 officers with four focus-group discussions and twelve semi-structured interviews. The principal results revealed a clear competency duality: behavioural competencies such as teamwork, cultural sensitivity, and communication scored higher (mean = 77.1%) than functional competencies (mean = 65.8%), where gaps were most pronounced in digital governance, crisis management, sustainability, and innovation. Qualitative findings elaborated on this disparity, identifying three recurring themes uneven digital and strategic proficiency, systemic barriers to continuous learning, and cautious optimism regarding future readiness and adaptability. The study concludes that integrating competency-based learning (CBL) within HRD frameworks is vital to cultivating a digitally literate, ethical, and future-ready workforce. Embedding CBL into HRD policy aligned with Malaysia’s Twelfth Plan (2021–2025), Sarawak’s PCDS 2030, and OECD’s Future-Ready Workforce recommendations can transform local councils into learning organisations capable of sustaining innovation and effective governance.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».