The Hard Teacher’s Leadership Coping to the COVID-19 Pandemic
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
Most teachers in Mexico are not experts on Information and Communication Technologies, some rural areas lack a good internet connectivity or even electricity. This context led us to determine: How can teachers keep the pace of educational leadership? and How they cope their teaching task with the COVID-19 pandemic? The sample included 329 teachers from urban and rural zones, 71.1% female and 28.9% male, with a mean age of 38.8 years, working in public (71.7%) and private (28.3%) schools. A self-evaluation template was used to assess the planning, didactical sequence analysis and evaluation competence from the teachers. Our aim was to sketch a teacher’s leadership competences profile, specifically in these pandemic times. The results showed than 75.7% of the teachers had an internet access between Good and Very good; on the contrary, 78.4% of the teachers considered that most of their students had between “not very good” to “very bad” internet access. Only a few teachers addressed the didactic planning or followed its development and assessment: I have elaborated and shared with the students indicators of achievement from the didactical sequence (32.8%); I have stimulated processes of reflection upon learning through an instrument (22.5%); I have regularly incorporated and used digital tools and Internet (31.9%); at last, I have established and conducted moments of evaluation, self and formative co-evaluation in which the students have been able to make changes based on the feedback received (30.1%). However, teachers are coping with this pandemic time and it may involve a change in educational strategies towards the future.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle