Recruiting New Teachers to Urban School Districts: What Incentives Will Work?
Notice bibliographique
Résumé
Many urban districts in the United States have difficulty attracting and retaining quality teachers, yet they are often the most in need of them. In response, U.S. states and districts are experimenting with financial incentives to attract and retain high-quality teachers in high-need, low-achieving, or hard-to-staff urban schools. However, relatively little is known about how effective financial incentives are to recruit new teachers to high-need urban schools. This research explores factors that are important to the job choices of teachers in training. Focus groups were held with students at three universities, and a policy-capturing study was done using 64 job scenarios representing various levels of pay and working conditions. Focus group results suggested that: a) many pre-service teachers, even relatively late in their preparation, are not committed to a particular district and are willing to consider many possibilities, including high need schools; b) although pay and benefits were attractive to the students, loan forgiveness and subsidies for further education were also attractive; and c) small increments of additional salary did not appear as important or attractive as other job characteristics. The policy-capturing study showed that working conditions factors, especially principal support, had more influence on simulated job choice than pay level, implying that money might be better spent to attract, retain, or train better principals than to provide higher beginning salaries to teachers in schools with high-poverty or a high proportion of students of color.
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 | 0,032 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».