MétaCan
Menu
Retour à la cohorte
Enregistrement W2871872945 · doi:10.5539/ies.v11n8p39

Teacher, Teaching, and Technology: The Changed and Unchanged

2018· article· en· W2871872945 sur OpenAlexvenueno aff
Linqiong Lü

Notice bibliographique

RevueInternational Education Studies · 2018
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAutoethnographyCONTESTEthnographyPedagogyExhibitionTeaching methodMathematics educationPsychologySociologyTechnology integrationSocial scienceVisual arts

Résumé

récupéré en direct d'OpenAlex

The use of videotaped microlectures as a new medium of teaching has been receiving increased attention in China’s educational reform agenda. Since 2012, microlecture competitions targeting various levels of education have been held nationwide. However, a top–down contest-based approach, while efficiently popularizing the concept of microlectures, may create a false impression among classroom teachers unfamiliar with technology, leading them to confuse microlectures with exhibitions of complex computer and media technologies and, thus, intimidating them from trying the new teaching mode. Using autoethnography to document in detail the author’s production of a nationally awarded microlecture, the present study highlights what classroom teachers can do using technology-mediated teaching and asserts that teachers’ personal practical knowledge, rather than technology, plays the decisive role in producing a microlecture. It also argues that by taking on the dual role of ethnographer-as-researcher and ethnographer-as-informant, classroom teachers can use reflective autoethnography as a meaningful learning experience to understand and critique their teaching practices and develop living educational theories for the enhancement of technological pedagogical and content knowledge (TPACK) in massive open online courses (MOOCs).

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)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0050,031
Communication savante0,0160,016
Science ouverte0,0010,006
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,060
Tête enseignante GPT0,352
Écart entre enseignants0,292 · 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'étudeSans objet
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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Education StudiesMême sujetSecond Language Learning and TeachingTravaux en français237 207