Is distributed leadership an effective approach for mobilising professional capital across professional learning networks? Exploring a case from England
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose There is currently a focus on using networks to drive school and school system improvement. To achieve such benefits, however, requires school leaders actively support the mobilisation of networked-driven innovations. One promising yet under-researched approach to mobilisation is enabling distributed leadership to flourish. To provide further insight in this area, this paper explores how the leaders involved in one professional learning network (the Hampshire Research Learning Network) employed a distributed approach to mobilise networked learning activity in order to build professional capital. Design/methodology/approach A mixed methods approach was used to develop a case study of the Hampshire RLN . Fieldwork commenced with in-depth semi-structured interviews with all school leaders of schools participating in the network and other key participating teachers (12 interviews in total). A bespoke social network survey was then administered to schools (41 responses). The purpose of the survey was to explore types of RLN-related interaction undertaken by teachers and how teachers were using the innovations emerging from the RLN within their practice. Findings Data indicate that models of distributed leadership that actively involves staff in decisions about what innovations to adopt and how to adopt them are more successful in ensuring teachers across networks: (1) engage with innovations; (2) explore how new practices can be used to improve teaching and learning and (3) continue to use/refine practices in an ongoing way. Originality/value Correspondingly we argue these findings point to a promising approach to system improvement and add valuable insight to a relatively understudied area.
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.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle