Exploring the current context for professional learning networks, the conditions for their success, and research needs moving forwards
Notice bibliographique
Résumé
The emergence of networks within education has been driven by a number of factors, including: the complex nature of the issues facing education, which are typically too great for single schools to tackle by themselves; changes to educational governance structures, which involve the hollowing out of the middle tier and the introduction of new approaches with an individualized focus; in addition is the increased emphasis on education systems that are “self-improving and school-led”. Within this context, the realization of teacher and school improvement actively emerges from establishing cultures of enquiry and learning, both within and across schools. Since not every teacher in a school can collaboratively learn with every other teacher in a network, the most efficient formation of networks will comprise small numbers of teachers learning on behalf of others. Within this context, Professional Learning Networks (PLNs) are defined as any group who engage in collaborative learning with others outside of their everyday community of practice; with the ultimate aim of PLN activity being to improve outcomes for children. Research suggests that the use of PLNs can be effective in supporting school improvement. In addition, PLNs are an effective way to enable schools to collaborate to improve educational provision in disadvantaged areas. Nonetheless harnessing the benefits of PLNs is not without challenge. In response, this paper explores the notion of PLNs in detail; it also sheds light on the key factors and conditions that need to be present if PLNs are to lead to sustained improvements in teaching and learning. In particular, the paper explores the role of school leaders in creating meaningful two-way links between PLNs and their schools, in order to ensure that both teachers and students benefit from the collaborative learning activity that PLNs foster. The paper concludes by suggesting possible future research in this area.
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 | 0,019 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,033 |
| Communication savante | 0,029 | 0,047 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,002 |
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 ».