A network case of knowledge brokering
Notice bibliographique
Résumé
Purpose The purpose of this paper is two-fold: (1) to offer a conceptual understanding of knowledge brokering from a sociometric point-of-view; and (2) to provide an empirical example of this conceptualization in an education context. Design/methodology/approach We use social network theory and analysis tools to explore knowledge exchange patterns among a group of teachers, instructional coaches and administrators who are collectively seeking to build increased capacity for effective mathematics instruction. We propose the concept of network activity to measure direct and indirect knowledge brokerage through the use of degree and betweenness centrality measures. Further, we propose network utility—measured by tie multiplexity—as a second key component of effective knowledge brokering. Findings Our findings suggest significant increases in both direct and indirect knowledge brokering activity across the network over time. Teachers, in particular, emerge as key knowledge brokers within this networked learning community. Importantly, there is also an increase in the number of resources exchanged through network relationships over time; the most active knowledge brokers in this social ecosystem are those individuals who are exchanging multiple forms of knowledge. Originality/value This study focuses on knowledge brokering as it presents itself in the relational patterns among educators within a social ecosystem. While it could be that formal organizational roles may encapsulate knowledge brokering across physical structures with an education system (e.g. between schools and central offices), these individuals are not necessarily the people who are most effectively brokering knowledge across actors within the broader social network.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».