MétaCan
Menu
Retour à la cohorte
Enregistrement W2629193023 · doi:10.1080/17408989.2017.1342789

Pedagogical principles of learning to teach meaningful physical education

2017· article· en· W2629193023 sur OpenAlexafffund
Déirdre Ní Chróinín, Tim Fletcher, Mary O’Sullivan

Notice bibliographique

RevuePhysical Education and Sport Pedagogy · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiquePhysical Education and Pedagogy
Établissements canadiensBrock University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaIrish Research Council
Mots-clésMathematics educationPsychologyPhysical educationPedagogyComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Concerns that current forms of physical education teacher education (PETE) are not adequately providing teachers with the tools necessary for working with the realities and challenges of teaching physical education in contemporary schools has led some scholars to advocate for an approach that prioritises meaningfulness in physical education. There is, however, little empirical evidence of how future teachers might be taught to facilitate meaningful physical education experiences.Purpose: This paper describes a pedagogical approach to PETE to support pre-service teachers (PSTs) in learning how to facilitate meaningful experiences in physical education. We aim to contribute new understanding through sharing pedagogical principles that support PSTs’ ‘Learning About Meaningful Physical Education’ (LAMPE).Participants and setting: The research team consisted of three physical education teacher educators: Tim and Déirdre who implemented LAMPE pedagogies and Mary who acted as meta-critical friend (pseudonyms used for the review process). Results from the LAMPE innovation reported here are taken from implementation across four semesters of two academic years 2013–2015. Déirdre implemented LAMPE in an introduction to teaching physical education course for pre-service generalist elementary teachers. Tim implemented the approach in an undergraduate developmental games course for future physical education teachers. A total of 106 PSTs participated in the research.Data collection and analysis: Data included teacher educator reflections and non-participant observer data from 33 individual lessons, over 7 hours of transcribed teacher educator Skype conversations, 8 ‘turning point’ documents, 15 sets of PST work samples, and transcripts of individual (n = 10) and 9 focus group interviews (n = 18 participants) with PSTs. Data were analysed inductively. Triangulation of multiple data sources and an expert member check supported trustworthiness of the LAMPE approach and data analysis.Findings: We share five pedagogical principles that reflect how PSTs were supported to learn how to facilitate meaningful physical education experiences. Pedagogies included planning for, experiencing, teaching, analysing, and reflecting on meaningful participation. Implementing pedagogies aligned with these five pedagogical principles helped participants learn why meaningful participation should be prioritised as well as how to facilitate meaningful physical education experiences.Conclusions: Pedagogical principles of LAMPE have been constructed from empirical evidence of both teacher educator and PST experiences that supported learning how to promote meaningful physical education. This research contributes new understanding of how to support PSTs in learning to teach with an emphasis on facilitating meaningful physical education experiences.

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)0,015
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,034
Communication savante0,0070,005
Science ouverte0,0020,006
Intégrité de la recherche0,0040,008
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,160
Tête enseignante GPT0,541
Écart entre enseignants0,381 · 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'étudeThéorique ou conceptuel
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

Citations114
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical Education and Sport PedagogyMême sujetPhysical Education and PedagogyTravaux en français237 207