Strengthening Policies for Education, Innovation, and Digitization Through Teacher Training: Evaluating ProFuturo’s Open Model in Ecuador
Notice bibliographique
Résumé
Teacher training and a commitment to innovation in teaching are determining factors in the success of technology adoption processes. This article presents a study on the opportunities produced through the collaboration of the Ecuadorian Ministry of Education and the ProFuturo program, which arose during the COVID-19 pandemic. This collaboration resulted in the improvement of digital competency among teachers and pupils and in transference to educational practise. It also strengthened the existing limited capabilities for developing mass training programs for teachers in the country. The research was conducted through an online survey, with a cross-sectional, quantitative, and non-experimental focus from two data sources. A total of 3,565 teachers answered the digital survey for teachers trained using the Open Model in Ecuador between 2020 and 2022. On the other hand, 7,257 teachers answered the ProFuturo Self-Assessment of Digital Skills of Teachers (https://competencyassessment.profuturo.education/?lang=en). The results show an improvement in the competency of teachers following their participation in the program and confirm that they considered digital transformation in the classroom to be of great utility. Teacher training remains a cornerstone of high-quality education and research as this contribution proves a positive impact on learning experiences, where there was a significant transference, driven by an improvement in digital skills applied to the teaching process.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».