MétaCan
Menu
Retour à la cohorte
Enregistrement W4402109772 · doi:10.55016/ojs/jet.v53i3.72253

Hiring Practices and its Connection to the Conceptualization of ‘a Good Teacher’ in Diverse Classrooms

2021· article· en· W4402109772 sur OpenAlexaffabout
Daniela Fontenelle-Tereshchuk

Notice bibliographique

RevueJournal of educational thought. · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGlobal Education and Multiculturalism
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésConceptualizationConnection (principal bundle)PsychologyMathematics educationPedagogySociologyComputer scienceMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract: This article explores the role of hiring practices in the conceptualization of what makes a teacher ‘a good teacher’, especially in diverse classrooms. It is based on a multiple case study that examined the perceptions of the experience of four high school English language arts educators teaching in diverse classrooms in Alberta, Canada. These practitioners suggest that hiring practices are mostly unreliable as principals’ hiring decisions are often strongly influenced by noticeable teachers’ personal traits and their preconceived perceptions of what a ‘good’ teacher is. During the hiring process, such interpretation often relies on the sole perceptions of the experience of school principals, which are usually not supported by effective hiring practices research. Hiring ‘the most suitable’ teacher to meet the needs of increasingly complex classrooms is key to education. As education strives for responding to the needs of an increasingly diverse community of learners, reflecting on hiring practices is important to improve the quality of the education provided to students. Teachers’ perspectives on hiring practices are important as they could potentially contribute and inform professional development initiatives, teacher preparation programs, and educational policies regarding a possible connection between administrative roles and teacher effectiveness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,626
Score d'incertitude au seuil0,725

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,412
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of educational thought.Même sujetGlobal Education and MulticulturalismTravaux en français237 207