Coaching as a Strategy for Improving Early Learning Program Quality
Notice bibliographique
Résumé
As professionals and governments increasingly recognize the role early learning programs play in the young child’s learning and development, agencies and governments alike are trying to determine effective strategies for enhancing program quality. While coaching has gained popularity as a method to improve program quality, there has been little research on coaching within the licensed early learning and care sector in Canada. The current study utilized a mixed methods approach, combining both quantitative and qualitative methods, to better understand how a quality improvement process and the use of coaches support changes to program quality. The quality improvement process provided a structure for educators to examine practices, set goals, and implement changes while the coaches provided support and guidance to educators engaged in the process. The main quantitative method utilized the Early Childhood Education Rating Scale-Revised (ECERS-R) to evaluate program quality before and after the implementation of the process. While the results were not statistically significant, there were some indicators that the process and the use of coaches might support program quality improvements. The analysis of qualitative data (from survey questions and interviews) resulted in themes regarding both the quality improvement process and the value of coaches. The strongest overarching themes regarding the implementation of the process were: 1) Need for Time and 2) Importance of Reflective Practice. An additional theme was - Process Results in Positive Outcomes. The overarching themes regarding coaches were: 1) Coaches Provide Resources, 2) Coaches Provide Clarity/Insight, 3) Coaches are Mediators/Facilitators, and 4) Coaches Help Educators Complete the Process. The limitations of the study (e.g., small sample size, use of volunteers) restricted generalizations, but the results did highlight the need for more research and provided some implications for agencies and governments looking to improve program quality.
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 | 0,027 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».