MétaCan
Menu
Retour à la cohorte
Enregistrement W2781499416 · doi:10.37119/ojs2017.v23i2.340

Early Career Teachers’ Evolving Content-Area Literacy Practices

2017· article· en· W2781499416 sur OpenAlexaffvenue
Anne Murray-Orr, Jennifer Mitton‐Kükner

Notice bibliographique

Revuein education · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducator Training and Historical Pedagogy
Établissements canadiensSt. Francis Xavier University
Organismes subventionnairesnon disponible
Mots-clésCourseworkDisciplineLiteracyPedagogyContext (archaeology)Mathematics educationPsychologySociologySocial scienceGeography

Résumé

récupéré en direct d'OpenAlex

Becoming effective teachers is dependent upon a variety of factors intersecting with early career teachers’ beginning teaching experiences. This paper provides a glimpse into ways in which four early career secondary school teachers began to embed literacies into their teaching practices in content areas and how their approaches shifted between the final term of their teacher education program in 2013 and their first year of teaching in 2014. The authors explore three factors that may shape the practices of early career teachers, with disciplinary specialties in science, math, social studies, and other content areas, as they persist in infusing their teaching practice with literacy strategies over the first year of teaching, or alternatively discontinue using these strategies. These factors are coursework in a Literacy in the Content Areas course during their teacher education program, teaching context, and disciplinary specialty.Keywords: early-career teachers; secondary teachers; content-area literacy; disciplinary literacy; pedagogical content knowledge

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)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,241
Score d'incertitude au seuil0,921

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,273
Tête enseignante GPT0,462
Écart entre enseignants0,189 · 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.

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

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuein educationMême sujetEducator Training and Historical PedagogyTravaux en français237 207