Data Use in Ontario School Board Improvement Plans
Notice bibliographique
Résumé
Board improvement plans (BIP) are documents which include goals and actions to improve student achievement and well-being within a school board. School boards in Ontario are encouraged to use data to make informed educational decisions about their students, educators, and schools to improve education. However, how data are used in board improvement planning is unknown. The purpose of this research is to explore the role of data in board improvement planning to gain an understanding of how data are used at the board level of the Ontario school system. To understand the role of data at the board level, the main research question is: What is the role of data in board improvement planning? \n \nData were collected from three sources for this exploratory case study: three principal interviews, document analysis of relevant Ministry documents, and document analysis of 18 BIPs. Interviews were inductively coded and used to deductively analyze Ministry documents. BIPs were analyzed following the iterative process of skimming, reading, and interpretation using elements of content and thematic analysis. \n \nThe three themes discovered during interview analysis and used to explore Ministry documents were: functional development of BIPs, relational aspect of BIPs, and data path in BIPs. From document analysis, four broad types of data were found: board-wide student achievement data, board-wide student well-being data, school level data, and classroom level student data. With respect to the uses of data, data were used to identify, plan, and monitor. Lastly, data were found to be interpreted by examining trends (deconstructing and comparing) and through triangulation (multiple sources and in teams). In conclusion, the results provide evidence that multiple types of data are being used for board improvement planning, for various different uses, with different ways of interpreting the data.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».