Increasing the number of minority principals to close the achievement gaps: strategies for increasing the enrollment of minority students in educational leadership-review of relevant literature
Bibliographic record
Abstract
Bien qu'il existe aux États-Unis une quantité croissante de documentation sur les directeurs issus d'une minorité, il en existe peu au Canada. Combler les postes de directeur avec des membres d'une minorité comporte de nombreux avantages. Par contre, le nombre de directeurs issus d'une minorité au Canada n'augmente pas d'une manière proportionnelle au nombre de minorités en général et au nombre d'étudiants de catégorie K-12. Il est clair que les efforts en matière de recrutement, de formation continue et de rétention de professeurs provenant d'une minorité sont essentiels pour augmenter le nombre de futurs directeurs issus d'une minorité. Cependant, la priorité doit être accordée à la préparation d'un plus grand nombre d'étudiants provenant d'une minorité dans le cadre de programmes de leadership. La présente étude se penche sur la question suivante : quels sont les moyens suggérés dans la documentation pour augmenter le nombre d'étudiants issus d'une minorité au Canada qui sont inscrits dans des programmes d'études supérieures en éducation? La présente étude, dont l'objectif est de répondre à cette question, se veut un examen des stratégies proposées dans la documentation pour recruter, former et retenir des étudiants membres d'une minorité dans des programmes d'études supérieures. En outre, la présente étude aborde les méthodes selon lesquelles ces stratégies peuvent être utilisées pour augmenter le nombre d'étudiants membres d'une minorité inscrits dans des programmes de leadership en éducation, lequel nombre n'est pas proportionnel au nombre de minorités dans les écoles et au Canada en général.
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 | 0.008 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".