Negotiated Success: Contractual Benefits that Enhance Recruitment and Retention
Notice bibliographique
Résumé
This report summarizes monetary and non-monetary items used in Collectively Bargained Agreements (CBAs) to enhance retention and recruitment of educators in and outside of Alaska. This report is one of a series commissioned by the Alaska Department of Education and Early Development to support a stakeholder-informed action plan to address the state’s recurring critical challenges in recruiting and retaining teachers. To approach this task, we narrowed our focus to a review of provisions contained within CBAs in Alaska and a sample of districts in the nation, reviewed relevant literature, and collected stakeholder feedback to further inform the report content and organization. We restrict our analysis to the information contained in CBAs, which are negotiated at the district level, with the noted limitation that CBAs are not exhaustive of all educator benefits (e.g., retirement is an important benefit that is managed at the statewide level). The report details benefits in five broad categories and 15 subcategories, which are bookmarked in this abstract for easy access: coming and staying (signing bonus, longevity/retention bonus); benefits – health and wellbeing (healthcare, sick leave, other leave); benefits – moving and living (travel and relocation, housing and utilities, childcare); knowledge and growth (transferable experience, education and certification, professional development); and work life (contract length and workday, extra duties, hard-to-staff areas, performance pay). Overall, we find that benefits and compensation vary significantly across districts in Alaska, and even more substantially across districts in the national sample, reflecting the diversity in the sample in terms of state, region, size, and location.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».