Strategies for information management in education: Some international experience
Notice bibliographique
Résumé
Background: Recent analysis of the management of information and communications technologies in South African education suggests strongly that there is only limited strategic thinking that might guide policy-makers, school principals, teachers, learners and suppliers of educational technologies. It is clear that here in South Africa, as elsewhere, the actual practice of technology-mediated education is driven more by the available technologies than by actual learner needs, good management principles and the wider national imperative. There might be lessons to be learned from experience elsewhere.Objectives: This article reports and analyses conversation with eight international educators in Europe, Canada, the United States, New Zealand and Australia. All are managing the impact of technology in different ways (reactive and pro-active), at different levels (pre-primary through to senior citizen), in different roles (teachers, administrators and senior managers) and in different contexts (schools and universities).Method: Open-ended conversations with educators and educational administrators in developed countries were recorded, transcribed and analysed. The qualitative analysis of the content was done in the style of ‘open coding’ and ‘selective coding’ using a qualitative content analysis tool.Results: Whilst technology is still seen to drive much thinking, it is found that that success is not derived from the technology, but from a full and proper understanding of the needs and aspirations of those who are directly involved in educational processes, and by means of a managerial focus that properly recognises the context within which an institution exists.Conclusion: Whilst this result might be expected, the detailed analysis of the findings further reveals the need to manage investments in educational technologies at different levels and in different ways.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,019 |
| Science ouverte | 0,001 | 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 ».