Developing and testing a unified school improvement-school effectiveness framework for evaluating complex school improvement initiatives
Notice bibliographique
Résumé
This study applies to school improvement processes the research methodology typically used in studying school effectiveness, in order to evaluate the effectiveness of improvement initiatives. It links school improvement and school effectiveness practically as well as theoretically. First, an ideal, unified, school improvement-school effectiveness evaluation (SI-SE) framework is proposed. Using this framework, school improvement programs can be evaluated to determine if they are effective school improvement processes. Since this thesis serves as an evaluation study, however, the framework must be strong enough to elicit reliable and valid information upon which to base program decisions. Nevertheless, in order to illustrate the analyses that are possible given these limitations, the MSIP evaluation data are reanalysed, applying principles of the unified evaluation framework, including the use of multilevel statistical models for data analysis. Three sets of analyses, including hierarchical linear modeling (HLM), are carried out on the existing data. Findings from the HLM analysis help determine the status of the MSIP as an effective school improvement process. Finally, the utility of the unified SI-SE evaluation framework for application beyond the MSIP evaluation is discussed. Second, the Manitoba School Improvement Program (MSIP) evaluation is presented as a case study to test the framework. Comparisons between the unified framework and the MSIP evaluation are made in terms of evaluation design, measurement considerations, and statistical analyses. Examination of the MSIP evaluation through the lens of the unified framework exposes limitations in the school improvement-based evaluation. These limitations centre on the absence of some types of data that are essential in the unified school improvement-school effectiveness evaluation framework, and on the quality of existing 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 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 | 0,121 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,013 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 ».