Canadian School Administrators' Statistical Reasoning about Probability, Effect, and Representativeness
Notice bibliographique
Résumé
How do Canadian school leaders interpret data to inform their decisions? How do they reason with probability concepts? These are the questions we are investigating in the first year of this longitudinal bilingual project conducted in Alberta, British Columbia, and Ontario. Our theoretical framework is inspired by the semiotic perspective of Charles Sanders Peirce (1839-1914) which suggests that interpretation is a triadic process integrated in a social context that puts in relation a sign, an object, and an interpretant. To this end, we conducted two individual interviews in which we asked 10 English-speaking school leaders and 9 French-speaking school leaders some questions about data presented in a tabular form (mock data on class level student performance and school level health data), line graph (PISA 2018 report on reading scores from 2009 to 2018) and box plots (mock data on student performance in reading in different countries). Our preliminary results reveal that principal’s reason abductively when it comes to interpreting statistics and want to know the context or the story behind the numbers before making any decisions. Also, they prefer to interpreting data collaboratively with their colleagues and feel more comfortable with data grouped in tables and line graphs. They considered themselves "data-driven" but not statisticians and use verbal terms rather than ratios or percentages (e.g., high probability, high likelihood, high odds) to express probabilistic ideas. In the next years, we will study how their professional experiences influence their conceptions of causality and how they reason about sampling and representativeness.
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 | 0,003 | 0,033 |
| 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 | 0,000 | 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) | 0,003 | 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 ».