Developing Heads of Department to Manage Quality: An examination of Performance Management Frameworks
Notice bibliographique
Résumé
The chapter addresses a number of questions related to the impact of performance management policies and processes upon the delivery of good quality teaching and learning; examining the advantages that can be gained from the analysis of good quality data but also recognising some of the ‘pit-falls and bear-traps’ that may be encountered if decision-makers do not take into account the limitations of an over reliance upon performance metrics. The chapter provides a short historical context to the development of a performance culture in the UK before considering how performance has been both measured and treated in other countries, discussing examples from the Netherlands, Pakistan, Canada, the USA and China that sought to introduce frameworks for the most effective disbursement and use of available funds for Research purposes. The chapter goes on to review some of the formal approaches that have been developed to support performance management and monitoring within organisations, including the Balanced Scorecard, Total Quality Management (TQM) and the European Foundation for Quality Management (EFQM). The conclusion to the chapter starts with an examination of the introduction of the Teaching Excellence Framework (TEF) in the UK, with the resultant need to collect robust performance data to support the metrics already supplied as part of statutory data returns. Finally considering the roles that individuals can play in the delivery and maintenance of quality management systems that enhance institutions and do not act as proverbial mill-stones.
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 | 0,020 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,016 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».