Powerful public sector knowledge management: a school district example
Notice bibliographique
Résumé
Purpose Drawn from a recent research study of the Toronto District School Board, this paper aims to examine how the District employs knowledge management to initiate and improve early literacy instruction and achievement. Design/methodology/approach This study draws on Nonaka and Takeuchi's framework to explore how focusing on tacit‐to‐tacit knowledge‐sharing strategies influence early literacy‐based knowledge sharing within and across schools. Data collection involved the collection and analysis of documents used and designed by Early Years Listeracy Project (EYLP) staff members. The second phase engaged a cross‐section of 34 EYLP teachers, administrators and senior TDSB superintendents and EYLP management team members in individual semi‐structured interviews. Participants commented on their experience vis‐à‐vis the various knowledge management strategies used to support its implementation. Data from the interviews was codified, analyzed and summarized and summaries were shared with participants for comment. Findings The District has employed a comprehensive strategy designed to build instructional and leadership capacity via the use of in‐school knowledge activists and informal professional networks. This paper explores the impact of these strategies on school and district‐level teacher and leader learning and organizational culture. Originality/value The overall impact of these strategies for professional and organizational learning and the challenges associated with employing knowledge management within education and the broader public sector are presented.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,003 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».