MétaCan
Menu
Retour à la cohorte
Enregistrement W2041227836 · doi:10.1002/sce.20440

Reproducing successful rituals in bad times: Exploring emotional interactions of a new science teacher

2011· article· en· W2041227836 sur OpenAlexaff
Stephen M. Ritchie, Kenneth Tobin, Peter Hudson, Wolff‐Michael Roth, Victoria Mergard

Notice bibliographique

RevueScience Education · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueHumor Studies and Applications
Établissements canadiensUniversity of Victoria
Organismes subventionnairesQueensland University of Technology
Mots-clésDialogical selfAttritionPsychologyPedagogyTeacher educationMathematics educationEthnographyScience educationProfessional developmentTeaching methodSocial psychologySociology

Résumé

récupéré en direct d'OpenAlex

Abstract Teaching is emotional work. This is especially the case in the first years of teaching when new teachers are particularly vulnerable. By understanding changes in teacher emotions in the early years of teaching, we hope to identify strategies that might ultimately reduce teacher attrition. As part of a larger study of the transition of new teachers to the profession, this ethnographic case study explores how a new science teacher produced and reproduced positive emotional interaction rituals with her students in her first year of teaching. We show how dialogical interactions were positive and satisfying experiences for the teacher, and how they were reproduced successfully in different contexts. We also illustrate how both teacher and students used humor to create a structure for dialogical interactions. During these successful interactions, the students used shared resources to satisfy their teacher that they were engaging in the relevant science content. The implications of what we have learned for the professional development of new teachers are discussed in relation to an expanded understanding of teacher emotions. © 2011 Wiley Periodicals, Inc. Sci Ed 95:745–765, 2011

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0070,009
Communication savante0,0050,003
Science ouverte0,0010,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,158
Tête enseignante GPT0,416
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations76
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience EducationMême sujetHumor Studies and ApplicationsTravaux en français237 207