Evidence-Based Research in STEM Teacher Education: From Theory to Practice
Notice bibliographique
Résumé
The paper identifies a possible cause of previous STEM education reform failures and suggests how repairing the link between evidence-based education research and teacher education practice may be a potential solution. The evidence-based STEM education research is described and placed in the general education research context to illustrate how research-based and STEM-focused teacher education can address some of the biggest challenges facing contemporary educators: the growing student disengagement, the paucity of successful active learning environments, the inadequate attention to educating and supporting teachers, the scarcity of evidence-based research on student STEM learning that can inform both teacher education practice and policy. The paper calls on placing research-based STEM teacher education in the centre of contemporary reform efforts and conducting evidence-based education research to study the effects of this process on the growth of teacher knowledge and consequently on student STEM learning. Specifically, using research-based evidence for the development of teachers’ knowledge for STEM teaching and their positive attitudes about learning (the growth mindset) are identified as possible key factors in successful STEM education reform efforts. However, more research needs to be done to examine this assertion. To do so, we suggest a four-step approach for incorporating evidence-based STEM education research into teacher education practice: Model-Reflect-Research-Practice. This approach emphasizes teacher-candidates’ active engagement with research-based pedagogies as students and as future teachers. It provides a structure for incorporating research-based pedagogies in STEM teacher education as described in the examples. The first example showcases Peer Instruction supported by PeerWise technology to engage teacher-candidates in designing STEM learning environments that promote active learning and conceptual understanding through peer learning. The second example focuses on supporting teacher-candidates’ growth by asking them to teach short mini-lessons, record and upload them onto the online collaborative platform (Collaborative Learning Annotation System) for peer feedback and reflection. Both examples incorporate collaborative educational technologies to promote the development of teacher-candidates’ knowledge and their growth mindset. The paper emphasizes how making evidence-based STEM education research a foundation of teacher education can help connect education research to teaching practice and break the vicious circle of STEM education reform failures.
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 | 0,333 | 0,512 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,022 | 0,019 |
| Études des sciences et des technologies | 0,005 | 0,035 |
| Communication savante | 0,034 | 0,041 |
| Science ouverte | 0,010 | 0,023 |
| Intégrité de la recherche | 0,019 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».