Taking risks, getting messy, and having fun with professional learning: Makerspaces as professional development for 21st century second language teachers
Notice bibliographique
Résumé
The use of makerspaces in education has exploded around the world over the past decade (Halverson & Sheridan, 2014); however, their employment in professional development for teachers has only recently emerged within the literature. Previous studies have found that makerspaces have the potential to radically transform how professional development is delivered to teachers by fostering nurturing opportunities to collaboratively engage in professional learning (see Girvan et al., 2016; Kjällander et al., 2017; Panganelli et al., 2017). Despite its emergence in the literature, the study of makerspaces in teacher professional development is limited to those studies inspired by STEAM education (science, technology, engineering, arts, and math). Consequently, little knowledge exists about their use in professional development for second language teachers. While presenting data gathered from reflective feedback questionnaires of teacher participants taking part in makerspace workshops, this paper contributes to the conversation in the literature by exploring the utility and application of makerspaces as professional development for second language teaching. The goal of the study was to explore in what ways this type of experiential professional development might enhance professional learning and reflective practice and contribute to professional growth and development among early career second language teachers. Findings strongly indicate that makerspace professional development sessions offer second language teachers a positive and supportive space in which to reflect and expand on their professional knowledge of best practices in second language teaching by directly engaging with learning activities meant to support students in their acquisition of the target language.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».