MétaCan
Menu
Retour à la cohorte
Enregistrement W3130194319 · doi:10.3389/feduc.2021.533941

Expansive Learning in Inter-Institutional Communities of Practice for Teacher Educators and Policymakers

2021· article· en· W3130194319 sur OpenAlexfundno aff
Ainat Guberman, Orit Avidov‐Ungar, Orit Dahan, Ruth Serlin

Notice bibliographique

RevueFrontiers in Education · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTeacher Education and Leadership Studies
Établissements canadiensnon disponible
Organismes subventionnairesFrontiers FoundationMOFET Institute
Mots-clésExpansiveChristian ministryPosition (finance)Public relationsProfessional learning communityCommunity of practicePsychologyPolitical sciencePedagogyProfessional developmentKnowledge managementBusinessComputer science

Résumé

récupéré en direct d'OpenAlex

The current study deals with participation in inter-institutional Communities of Practice (CoP) ( Wenger, 1998 ) as a form of professional learning for experienced teacher educators who hold leadership positions in their institutions. In these CoPs, collaboration between teacher educators and policymakers resulted in expansive learning, which is the creation of new practical and theoretical knowledge, and a change of practice rather than adoption of knowledge constructed elsewhere. The current study describes three such communities, the expansive learning cycles that each of them triggered, and shared characteristics that may have contributed to these outcomes. The multiple case study methodology was employed. Data sources were interviews with thirteen participants (coordinators, Ministry of Education representatives and additional members from each CoP), and documents (such as meeting minutes and research papers) that were produced in each CoP. The findings show that expansive learning occurred due to a shared vision, reflective and critical dialogue, trusting relationship, and mutual support among participants. Furthermore, the inter-institutional composition of the CoPs, and the influential position of the participants within their respective organizations enabled them to introduce coordinated changes that transformed their practice at the individual, organizational and national levels.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,046
score de la tête « metaresearch » (Gemma)0,050
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,244

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0460,050
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0110,033
Communication savante0,0150,016
Science ouverte0,0030,025
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,399
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in EducationMême sujetTeacher Education and Leadership StudiesTravaux en français237 207