Modeling Active Engagement Pedagogy through Classroom Response Systems in a Physics Teacher Education Course
Notice bibliographique
Résumé
One of the most commonly explored technologies in Science, Technology, Engineering, and Mathematics (STEM) education is Classroom Response Systems (clickers). Clickers help instructors generate in-class discussion by soliciting student responses to multiple-choice conceptual questions and sharing the distribution of these responses with the class. The potential benefits of clicker-enhanced pedagogy include: increased student engagement, reduced anxiety, continuous formative assessment, and enhanced conceptual understanding. Most studies, however, investigate the effects of clicker-enhanced instruction in large undergraduate STEM courses. The impact of this pedagogy on learning in small secondary or post-secondary classrooms is still relatively unexplored. The context of this study is a secondary physics methods course in a Teacher Education Program at a large Canadian university. One of the course assignments required future teachers to develop multiple-choice conceptual questions relevant to the secondary physics curriculum. This study investigates the impact of modeling clicker-enhanced active engagement pedagogy on future teachers’ Content Knowledge, Pedagogical Knowledge, and Pedagogical Content Knowledge, as revealed by this assignment. The results of the study indicate that: (1) modeling clicker-enhanced pedagogy in a physics methods course increases future teachers’ interest in active learning; (2) clicker-enhanced pedagogy is a powerful vehicle for developing Pedagogical Content Knowledge of future physics teachers; (3) clicker-enhanced pedagogy is a useful tool for teacher educators for identifying and addressing the gaps in the Content Knowledge of future teachers. This study sheds light on developing future teachers’ capacities to design and implement instruction that is driven by conceptual questions in the presence or absence of technology and the impact of this process on their Pedagogical Content Knowledge and attitudes about conceptual STEM learning.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 ».