Building Teaching–Learning Capacities of Online Nurse Educators: Using TPACK to Frame Pedagogical Processes and Identify Required Supports | Renforcer les capacités d’enseignement et d’apprentissage des éducateurs en ligne en soins infirmiers : utiliser le modèle TPACK pour encadrer les processus pédagogiques et repérer les soutiens requis
Notice bibliographique
Résumé
Quality teaching includes reflective practice, dialogue, and curiosity and depends on personal, institutional, and community assets and constraints, as well as on the individual’s definitions of the roles of education in society. Based on an environmental scan and action research with instructors in an online distance Bachelor of Science, Nursing program for registered nurses, participants identified five “big ideas” involving community, instructors, class, interpersonal relationships, and supports to build capacity around the three elements of technological pedagogical content knowledge, or TPACK (Koehler, Mishra, Akcaoglu, & Rosenberg, 2013).Un enseignement de qualité inclut une pratique réflexive, un dialogue et de la curiosité. Il dépend d’atouts et de contraintes personnelles, institutionnelles et communautaires, ainsi que de la façon dont chaque personne définit les rôles de l’éducation dans la société. En s’appuyant sur une analyse environnementale et une recherche-action auprès des instructeurs d’un programme de soins infirmiers pour infirmiers autorisés dans un baccalauréat en sciences en ligne et à distance, les participants ont repéré cinq « grandes idées » relatives à la collectivité, aux instructeurs, aux relations interpersonnelles et aux soutiens pour renforcer les capacités concernant les trois éléments du contenu technologique pédagogique, ou TPACK (Koehler, Mishra, Akcaoglu, et Rosenberg, 2013).
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».