Implementing a Student-Based Funding Policy: Considerations for School Districts.
Notice bibliographique
Résumé
SBF policies replace the traditional district budgeting model in which the central office allocates resources to each school based, for the most part, on what centraloffice staff believe is needed. In contrast, SBF policies allocate funds to schools based on individual student need, with the goal of increasing the equity of funding. In addition, SBF policies give schools greater decisionmaking power, with the notion that school staff, parents, and community members may be better situated than district staff to align resources to students’ needs. Several large urban school districts—beginning with Edmonton in Canada in the 1970s and followed by Cincinnati, Hartford, Houston, Oak land, San Fran cisco, and Washington, D.C., in the 1990s and 2000s—have implemen ted SBF models. Most re cently, in 2007, New York City, the nation’s largest school district, adopted its own version of an SBF policy, called “Fair Student Funding.” However, SBF policies are not without controversy; after using a weighted student formula for almost a decade, Seattle recently returned to a more traditional budgeting model. Still, many other districts around the country are considering implemen ting an SBF policy. Our recent study describing the implementation of two districts’ SBF policies—San Francisco’s weighted student formula policy (be gun in 2001–2002) and Oakland’s results-based budgeting policy (begun in 2004–2005)—revealed that both districts overwhelming preferred SBF policies over the traditional budgeting model. This preference is even more impressive since SBF policies require more work for both school and district officials. Given that school districts around the country are considering this policy, this article outlines eight key considerations that districts face when designing and
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».