Notice bibliographique
Résumé
Despite the fact that they are all unique, rural school districts/divisions (in Canada and elsewhere) face similar challenges when it comes to providing effective professional development (PD) for teachers. Issues related to funding, geography, staffing, and contextual differences impact the availability of PD opportunities for educators in rural contexts; however, rural school divisions possess many strengths from which solutions to these challenges might be fashioned. The question of how rural divisions might construct local teacher PD models that draw on local strengths, mitigate local challenges, and support teacher professional growth is critical to the provision of quality education for rural students. Through a single-case study design, this study examined the effectiveness of a rural initiative, the Numeracy Cohort, that was locally constructed to mitigate challenges and improve mathematics instruction and student numeracy outcomes in a school division in Manitoba, Canada. Findings from the study suggest that (a) the Numeracy Cohort model was effective in accommodating contextual differences and mitigating challenges related to funding, geography and staffing through several promising practices; (b) the PD provided to teachers was effective in supporting teacher professional growth in several ways; (c) attention to the multiple nested and dynamic contexts in which teachers worked was an important and effective element of the model; (d) fostering social interaction (among teachers and with more competent others) was important for teacher learning; and (e) finding ways to foster human engagement through mediating tools for learning (e.g., dialogue, reflection, and action research) was critical to the model’s success.
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 | 0,003 | 0,007 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».