Motivering av skoleledere: Hvilke tiltak på kommunenivå i Bergen virker mest motiverende på skoleledere?
Bibliographic record
Abstract
Formålet med denne studien er å finne mer ut om hva som motiverer skoleledere for utførelse av jobben. Jeg bruker Bergen kommune som kasus og har fokus på opplevd motivasjon hos rektorene på interaksjonen med kommunenivå. Videre ser jeg på i hvilken grad kommunalt initierte tiltak er egnet til å bygge ulike ledertyper. Jeg måler ikke direkte effektene på læringsutbytte, men antyder indirekte noe om dette gjennom å sammenligne med en annen skolesatsing som er gjort i Ontario, Canada, der slike effekter er dokumentert.\n\n\n\nDatainnsamling er gjort gjennom en kvantitativ studie blant rektorene i Bergen kommune. Funnene tilsier at rektorene er godt motiverte for jobben. Kommunalt initierte tiltak er med å bidra til god motivasjon. Tiltak med fokus på kvalitetsutvikling og lederoppfølging bidrar i høy grad til motivasjon, mens tiltak med sterkere fokus på målstyring har mindre positiv effekt.\nDet er en klar sammenheng mellom opplevd motivasjon og opplevd nytteverdi av de kommunalt initierte tiltakene.\n\n\n\nRektorene i Bergen synes å ha et hovedfokus på det å være oppgaveorienterte i stedet for egoorienterte. Kommunalt initierte tiltak der det er sterkt fokus på målstyring, målbare resultater og sammenligninger mellom skoler, kan bidra til å endre fokus fra oppgaveorientering til egoorientering.\nKommunen har satsingsområder som er sammenfallende med satsingsområdene i Ontario, Canada, når det gjelder å styrke skoleutviklingen gjennom å øke motivasjon, kompetanse, gjennomføringsevne. Satsingen på kompetanseutvikling av rektorer oppleves som sterk, mens potensiale for videre utvikling er størst når det gjelder positiv opinionsbygging for skoleutviklingsarbeid og det å holde et positivt fokus.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.052 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".