Motivering av skoleledere: Hvilke tiltak på kommunenivå i Bergen virker mest motiverende på skoleledere?
Notice bibliographique
Résumé
Formålet med denne studien er å finne mer ut om hva som motiverer skoleledere for utførelse av jobben. Jeg bruker Bergen kommune som kasus og har fokus på opplevd motivasjon hos rektorene på interaksjonen med kommunenivå. Videre ser jeg på i hvilken grad kommunalt initierte tiltak er egnet til å bygge ulike ledertyper. Jeg måler ikke direkte effektene på læringsutbytte, men antyder indirekte noe om dette gjennom å sammenligne med en annen skolesatsing som er gjort i Ontario, Canada, der slike effekter er dokumentert.\n\n\n\nDatainnsamling er gjort gjennom en kvantitativ studie blant rektorene i Bergen kommune. Funnene tilsier at rektorene er godt motiverte for jobben. Kommunalt initierte tiltak er med å bidra til god motivasjon. Tiltak med fokus på kvalitetsutvikling og lederoppfølging bidrar i høy grad til motivasjon, mens tiltak med sterkere fokus på målstyring har mindre positiv effekt.\nDet er en klar sammenheng mellom opplevd motivasjon og opplevd nytteverdi av de kommunalt initierte tiltakene.\n\n\n\nRektorene i Bergen synes å ha et hovedfokus på det å være oppgaveorienterte i stedet for egoorienterte. Kommunalt initierte tiltak der det er sterkt fokus på målstyring, målbare resultater og sammenligninger mellom skoler, kan bidra til å endre fokus fra oppgaveorientering til egoorientering.\nKommunen har satsingsområder som er sammenfallende med satsingsområdene i Ontario, Canada, når det gjelder å styrke skoleutviklingen gjennom å øke motivasjon, kompetanse, gjennomføringsevne. Satsingen på kompetanseutvikling av rektorer oppleves som sterk, mens potensiale for videre utvikling er størst når det gjelder positiv opinionsbygging for skoleutviklingsarbeid og det å holde et positivt fokus.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».