Meta-Analysis for Math Teachers’ Professional Development and Students’ Achievement
Notice bibliographique
Résumé
Background: Recent research emphasizes the need to synthesize empirical studies on “K–12” math teachers’ professional development (PD) programs and their impact on student learning. Objective: This meta-analysis examines how teachers’ participation in PD programs affects students’ math achievement, analyzing the influence of program characteristics, such as duration, PD teaching approach, modality, grade level, type of math content, PD category, and study design. Design: Using online databases, 30 randomized or quasi-experimental studies from the U.S. and Canada (2003–2021) were selected, yielding 164 independent effect sizes, as some studies reported multiple interventions. Results: Only 1% of publications met the inclusion criteria. Most were excluded due to duplication, geographic location, lack of K–12 focus, missing data, or non-empirical content. PD was most effective when programs were under a year, focused on geometry, combined content and pedagogy, targeted grades 6–8, used online video, were reform-initiated, and employed randomized designs. Modality did not significantly impact outcomes. Conclusions: While extensive research exists on PD best practices, few studies empirically link program features to student achievement. This study offers evidence that well-designed math PD can significantly improve student outcomes, providing actionable insights for educators and policymakers.
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 | 0,065 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,077 |
| Bibliométrie | 0,019 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».