Looking for learning in teacher learning networks in Kenya
Notice bibliographique
Résumé
Purpose The purpose of this paper is to review the findings from a study of teacher professional learning networks in Kenya. Specific areas of focus included network participation, network activities, network leadership, and professional impact on network members and their schools. Design/methodology/approach The research was grounded in the literature on education networks and teacher learning. The research employed a qualitative design and was implemented from September 2015–March 2017, including three two-week field trips to Kenya. Data included network records, 83 personal interviews, 4 focus group interviews, 19 observations of network meetings, and classroom observation of network and non-network teachers in 12 schools. Findings Network participation had positive effects on teachers’ sense of professionalism and commitment to teaching and on their attitudes toward ongoing professional learning and improvement in student learning. Teachers also highlighted network benefits for learning to use new teaching strategies and materials, responding to student misbehavior and misunderstanding, and lesson preparation. Research limitations/implications Research constraints did not permit longitudinal investigation of network activities and outcomes. Practical implications The paper identifies challenges and potential focuses for strengthening the learning potential of network activities, network leadership, and the links between network activity and school improvement. Originality/value Prior research has investigated education networks mostly in North American and similar high income settings. This paper highlights the benefits and challenges for networks as a strategy for continuous teacher development in a low income low resource capacity context.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».