Using Technology in Education from the Pre-service Science and Mathematics Teachers’ Perspectives
Notice bibliographique
Résumé
The purpose of this study is to find out pre-service teachers’ views about the use of technology in science and middle school mathematics courses. For this purpose, semi-structured interviews were conducted with 30 pre-service teachers studying in a university in Central Anatolia Region during the spring semester of 2017-2018 academic year. The obtained data were analyzed using content analysis by the researchers. According to the findings, pre-service teachers thought that computer, smart board, projector, laboratory equipment, notebook, and pencil are the main technologies that can be used in the classroom. The participants also thought that presentation and video processing programs make course interesting and enjoyable, visualize the topic, make learning easier, and enable the permanent learning. However, they also stated that preparing a presentation and video processing program may be time consuming and boring if it is used throughout the course; and the program may not be useful for every subject. The participants found blogs and web pages useful since they give opportunities to share course content, materials, and information, make announcements to make students prepared for the course. Almost all the participants believed that technological equipment of their classroom definitely affect their teaching. Namely, in an ill-equipped class, the students would have difficulty in learning, tend to memorize things; also their attitudes, interests, and motivations towards the course, and participation in the lesson would be affected; and their learning would not be permanent.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».