Drivers of Digital Realities for Ongoing Teacher Professional Learning
Notice bibliographique
Résumé
Abstract In an era marked by the widespread use of digital technology, educators face the need to constantly learn and develop their own new literacies for the information era, as well as their competencies to teach and apply best practices using technologies. This paper underscores the vital role of ongoing teacher professional learning (OTPL) with a focus on reflective practices and pedagogical reasoning and action (PR&A) in shaping education quality and equity. Examining three key drivers of educational transformation—big data and learning analytics, Artificial Intelligence (AI), and shifting teacher identities—the paper explores their overall impact on teacher practices. This paper emphasizes technology as a crucial boundary object, a catalyst of educational transformation, when used to foster communication and professional growth. To this end, three boundary objects are identified, namely dashboards, AI-driven professional learning environments, and digital communities of practice. These tools illustrate technology’s capacity to mediate relationships between transformative educational drivers and teacher practices, offering a pathway to navigate shifting perspectives on OTPL. With a theoretical foundation in equitable education, the paper provides insights into the intricate relationship between boundary objects and evolving educational dynamics. It highlights technology's pivotal role in achieving both quality and equitable education in the contemporary educational landscape. It presents a nuanced understanding of how specific tools may contribute to effective OTPL amid rapid educational transformations.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,019 | 0,011 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».