Flipped Classrooms: An Introduction for Coaching Candidates in Higher Education
Notice bibliographique
Résumé
Former UCLA Bruins head basketball coach and 10-time national champion John Wooden is arguably the most revered coach in any sport and in any time. Yet, in his own words, he suggested “I’m no wizard, I am a teacher” (Gallimore, 2006, np), and that he learned to coach by applying what he learned as a high school English teacher (Gallimore, 2006). Similarly, Côté and Gilbert’s (2009) conceptual model of coaching identifies categories of knowledge coaches need, including professional knowledge as “declarative knowledge in the sport sciences, sport-specific knowledge, and pedagogical knowledge with accompanying procedural knowledge” (p. 310). Thus, inspired by Coach Wooden, and following Côté and Gilbert (2009), the purpose of this workshop is to enhance coaches’ pedagogical knowledge by introducing coaching candidates at post-secondary institutions to the flipped classroom (FC) approach. In higher education, FCs have been shown to improve student engagement, motivation, satisfaction, and creativity (Al-Zahrani, 2015; Chen, Lui, & Martinelli, 2017; Herreid & Schiller, 2013; Rotellar & Cain, 2016) – outcomes that may be especially important to coaches. Participants in this workshop will learn about FCs in an interactive 90-minute session, collaborating with peers to address issues that are relevant to their teams, and incorporating FC principles to improve their teaching and enhance student-athlete satisfaction.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,020 |
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 ».