Re‐imagining professional learning communities in education: Placing teacher leadership in <scp>STEM</scp> context
Notice bibliographique
Résumé
Abstract This conceptual analysis paper discusses the characteristics of teacher leadership (TL) in Science, Technology, Engineering, and Mathematics (STEM) education, presenting benefits for its development within the professional learning communities (PLCs). We describe our STEM education approach and argue that TL in STEM is different and more complex than leadership in any particular discipline. We compare two pathways for STEM learning and professional development (PD): engineering design approach and modeling approach. Then, we answer two research questions pertaining to the characteristics of STEM teacher leaders' (TLRs) knowledge, dispositions, and skill set; the support TLRs need to empower STEM educators; and consequently, we discuss how PLCs can become vehicles for growing STEM TLRs and empowering teachers. When promoting integrated STEM, educators likely find themselves in an out‐of‐field teaching situation, where communication with their PLC's leaders and peers is crucial in developing epistemological multiliteracy and confidence. We elaborate on the four main characteristics of STEM PLCs: (1) collaborative nature; (2) focus on boosting teachers' pedagogical content knowledge and confidence; (3) evidence‐based decision making; and (4) advocacy for high‐quality STEM education, teacher education, and PD. Each feature serves different but complementary goals, suitable for developing and utilizing the seven dimensions of TL discussed in the literature.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,017 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».