A Thirty State Analysis of Teacher Supervision and Evaluation Systems in the ESSA Era
Notice bibliographique
Résumé
We analyzed teacher supervision and evaluation policy systems in 30 states since the passage of the Every Student Succeeds Act (ESSA) of 2015 in the United States (US). This qualitative study of state ESSA policy documents and legislation examined how teacher supervision and evaluation systems (TSES) models have been developed under ESSA, specifically regarding how the construction of TSES models conflated formative feedback with summative evaluation. Despite evolving federal-level and state-level education accountability policies spurred by No Child Left Behind (NCLB) in 2001, we argue that TSES systems are influenced by state-level historical political culture (Elazar, 1994; Fowler, 2013), workplace behaviorism (Hazi, 2019), decision-making structures (Hazi & Arredondo Rucinski, 2009; Ruff, 2019), and policy rationalism (Louis et al., 2008; Orr, 2007). Data were analyzed inductively (Wolcott, 2009) to investigate how 30 states developed TSES models and from this we analyze the messages conveyed about improvement. Thus, while ESSA intended to provide states and local districts with more political control to develop and implement TSES models, our analyses shows how ESSA has extended and reinforced state-level TSES policy development and reduced districts’ local control and authority to supervise and evaluate instruction.
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 | 0,014 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».