Notice bibliographique
Résumé
“They (pandemics) are the original social and political disruptors, and sometimes that can be really positive” Brown (2020) in University of Hawai'i News. Most active teachers, in the past year, have taught both in-person and on-line. Using the Cynefin Framework, a decision-making framework which is based in complexity science (Snowden & Boone, 2007, p.70), I examine the pedagogical changes made by teachers in the emergency teaching situation brought about by the COVID-19 pandemic. When using the Cynefin Framework, issues facing an organization can be categorized in one of five possible contexts, simple, complicated, complex, chaotic and disorder, depending upon the severity of the disruption. In a regular classroom most disruptions would be in the simple or complicated context and teachers will solve those problems by making decisions based on prior practice. In the complicated contexts, the same teachers may seek advice from senior teachers, or experts, to solve situations. A problem in the complex context would require the teacher or administrator to find an emerging path through the situation. The disruption I am examining is, according to Brown, the original disruptor—a pandemic, namely COVID-19 which caused school instruction to move from face-to-face to emergency on-line teaching. While much of the beginning on-line teaching began in a chaotic context, that is not the only category that is identified by use of the Cynefin Framework. With data drawn from three interviews given by teachers or administrators recorded on YouTube for the Global Teacher Prize dating from March 2020 forward, I examine how both teachers and schools are changing their use of technology. I look at changes and modifications to pedagogy that the teacher has instituted and have determined work. I will then determine if the change is primarily beneficial for the teacher, student, or another party—uncovering the silver linings and innovations in the ways that teachers have changed their use of technology and their pedagogy during the emergency on-line teaching of COVID-19. Reference Snowden, D. J., & Boone, M. E. (2007). A Leader’s Framework for Decision Making. Harvard Business Review, 1–25. University of Hawai'i News. https://www.hawaii.edu/news/2020/04/07/covid19-vs-spanish-flu/
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,012 |
| Communication savante | 0,015 | 0,021 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,009 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,016 |
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 source (Gemma direct ou Codex distillé), 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 ».