MétaCan
Menu
Retour à la cohorte
Enregistrement W2505477134 · doi:10.4018/978-1-4666-4797-8.ch007

Preservice Teachers’ Knowledge Construction with Technology

2013· book-chapter· en· W2505477134 sur OpenAlexaff
George Zhou, Judy Xu

Notice bibliographique

RevueAdvances in educational technologies and instructional design book series · 2013
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueDigital literacy in education
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésMicroteachingMathematics educationTeacher educationTeacher preparationSubject (documents)PedagogySpace (punctuation)Key (lock)Teaching methodComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

Today’s teachers are expected to use digital technologies in their teaching. However, teacher education programs do not yet effectively develop teachers’ capabilities to teach with technology. In order to search for best approaches, this chapter starts with an epistemological discussion on knowledge, and then moves to a more specific discussion about the nature of preservice teachers’ learning about using technology to teach. Using the framework of Technological Pedagogical Content Knowledge, the chapter argues that methods courses of a teacher education program are the key space where preservice teachers can be trained to use technology in subject teaching. Particularly, the Microteaching Lesson Study approach in methods courses was considered an effective way for the development of technology proficiency. A small recent supports the arguments and articulates the success and challenges of the Microteaching Lesson Study approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,743
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,007
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,010
Tête enseignante GPT0,238
Écart entre enseignants0,228 · 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 tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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

En bref

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in educational technologies and instructional design book seriesMême sujetDigital literacy in educationTravaux en français237 207