Incorporating Computer-Based Learning Into Preservice Education Courses
Notice bibliographique
Résumé
Most teachers graduate from teacher education institutions with limited knowledge of the ways technology can be used in their professional prac-tice (Wetzel & Chisholm, 1996). Few preservice teachers have any instruc-tion in actually using technology in the classroom (Vagle, 1995), and yet, being able to effectively apply technology is high on the list of what begin-ning teachers should know and be able to do in today’s classroom (Korte-camp & Croninger, 1995). Transferring technology skills from teacher preparation to classroom practice has been limited and has been identified as the “weakest link of most educational programs ” (Browne & Ritchie, 1991, p. 28). Integrating technology in teacher education programs is a ne-cessity so preservice teachers are able to see the importance of developing and using computer-based lessons in their own teaching (Wiburg, 1991). Including technology modeling in field experience is one possibility for helping preservice teachers to see the importance of integrating technology into their teaching (Hunt, 1995; McGraw & Meyer, 1995). However, stud-ies have found that student teachers tend to make limited use of computers in their school-based practicum experiences (Robinson, 1995; Sunal, Smith, Sunay, & Britt, 1998). Another possibility is through the course work that preservice teachers take as a part of their teacher education programs. Most teacher education programs offer a course or two focused on learning to use
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».