Flipped Classrooms: An Introduction for Coaching Candidates in Higher Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle