MétaCan
Menu
Retour à la cohorte
Enregistrement W7117311982 · doi:10.1177/13621688251390675

Synergizing the research, policy, and practice nexus: The roles of EFL teaching research supervisors in China

2025· article· en· W7117311982 sur OpenAlexaff
Xi Chen, Dingfang Shu, Christopher DeLuca, Michael Holden

Notice bibliographique

RevueLanguage Teaching Research · 2025
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEducational Assessment and Improvement
Établissements canadiensQueen's University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesHubei Provincial Department of Education
Mots-clésNexus (standard)ChinaQualitative researchFunction (biology)Work (physics)English as a foreign languageAdministration (probate law)Professional developmentSemi-structured interview

Résumé

récupéré en direct d'OpenAlex

A central aim of education is to align research, policy and practice to facilitate student learning. This study examines English as a foreign language (EFL) teaching research supervisors who mobilize knowledge by conducting research, supervising teachers, and supporting policy implementation in Shanghai, one of China’s most successful education systems. It investigates how teaching research supervisors at different education administration levels (i.e. municipal and district levels) fulfil their roles to synergize the nexus between research, policy and practice. A two-cycle qualitative data-coding and analysis approach was employed to interpret data consisting of semi-structured interviews and documents. The findings demonstrate that EFL teaching research supervisors adopted seven lines of work to carry out their roles to conduct research, supervise and support teacher professional development, and support policy implementation. These practices reflect their function as knowledge brokers who mobilize research, policy, and practice in context-responsive ways. The study contributes to theoretical understandings of knowledge mobilization and offers practical implications for strengthening research–policy–practice alignment in education systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,021
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,113

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0210,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0060,005
Communication savante0,0040,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,261
Tête enseignante GPT0,605
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage Teaching ResearchMême sujetEducational Assessment and ImprovementTravaux en français237 207