Teacher learning, informal and formal: results of a Canadian Teachers' Federation survey
Notice bibliographique
Résumé
As part of a larger national study examining informal learning practices across the general population, a representative random sample of elementary and secondary school teachers across English Canada were sent English language questionnaire forms in October of 1998, inquiring into their practices and opinions concerning their own on-going learning. Respondents (N=753) were asked to comment on any informal learning they may have done in the past year in their workplaces, their homes and their communities. They were also asked to report on any formal learning activities in which they participated in, including courses, workshops or conferences. Most questions replicated closely those asked in the 1998 national telephone survey (N=1562) of Canadian adults' learning practices (see Livingstone 1999). Over 85% of all teachers indicated that they had engaged in formal courses and workshops in the previous year, as compared to 49% of the entire Canadian labour force, and 67% of those in the labour force with university level education. Similarities and differences among teachers' responses were examined, based on gender, age, region, elementary/secondary school placement, urban/rural residence, position in the system. Teachers reported spending an average of over eight hours per week engaged in their own formal learning activity (including course time, reading and preparing assignments). In addition to this formal learning, teachers reported that they also spent an average of 4 hours per week in informal learning related to their jobs and an average of 10 hours per week devoted to informal learning activities generally (related to their employment, housework, community volunteer work and other general interests.) Again, there were variations among teachers as well as within the general labour force. As one example, 89% of teachers, as compared to only 61% of the overall labour force and 77% of employed professionals had engaged in informal learning of computers in the previous year (Authors' abstract).
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».