What do 'good' teachers know? Investigating teacher professional knowledge
Notice bibliographique
Résumé
‘Everyone remembers a good teacher’ was the theme of a recent teacher recruitment campaign in the United Kingdom, but what is it that is considered ‘good teaching’in science and technology? Drawing on empirical work carried out with teachers in Australia, Bangladesh, Canada, Finland, India, Iraq, New Zealand and the United Kingdom this paper sets out aspects of teacher professional knowledge by presenting a framework in the context of design and technology education and generalizing it to a common frame of analysis. What constitutes the school science and school technology curriculum has gone through considerable change in many countries over the last twenty years and the analytical framework presented here can be shared with teachers to enable them to use it as a tool to focus on their own professional development needs and personal beliefs about successful teaching. Considering their subject knowledge, pedagogical knowledge, ‘school knowledge’ and their own rationale for the teaching of science or technology, teachers are able to articulate their professional priorities. Satisfying those professional needs, however, in an environment where teachers are ‘time-poor’ and under considerable pressure to be in school working day by day with their students to achieve examination results is an acute challenge for teacher educators and policy makers. The paper considers some on-line open and distance learning as a model for effective school-based teacher professional development. By making the school itself the site of learning and the classroom, laboratory or workroom the arena of change,teacher professional growth can not only become effective but cost-effective.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».