Aligning policy and practice: The World Bank’s approach to EdTech in Sub-Saharan Africa
Notice bibliographique
Résumé
This study uses a case study approach to examine the World Bank’s policy prescriptions and funding of ICT in education from 2011 to 2022. Through document analysis of the Bank’s research, formal policy documents, and its portfolio of projects in K-12 education in Sub-Saharan Africa (SSA), the findings reveal a shift in the Bank’s educational technology (EdTech) strategies. Prior to the pandemic, the Bank’s EdTech policies and projects centered on system-level solutions: focusing on infrastructure, management, and monitoring, particularly in low-income countries. However, during the COVID-19 pandemic, the Bank shifted its focus to instructional solutions, emphasizing curriculum development, pedagogy, and equity, promoting “multimodality,” defined as the use of diverse ICT tools to support remote learning. While the pandemic has led to greater alignment between policy advice and investments in SSA, the long-term sustainability and equitable distribution of these investments remain uncertain. Further studies should assess the enduring impacts of the Bank’s EdTech approach on borrowing countries and further explore how the Bank’s EdTech strategies compare to other international organizations, as well as the role of civil society and private technology firms in shaping a more inclusive educational landscape. Moreover, emerging technologies, such as Artificial Intelligence (AI) and blockchain, present new opportunities. Investigating how these technologies could enhance educational equity, efficiency, and innovation within the World Bank’s evolving EdTech framework will be vital for shaping sustainable, future-oriented policy recommendations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».