Patterns of Technological Pedagogical and Content Knowledge in Preservice-Teachers’ Literacy Lesson Planning
Notice bibliographique
Résumé
This study explored the patterns of Technological Pedagogical and Content Knowledge (TPACK) in 45 preservice teachers’ literacy lesson plans that integrated digital texts or tools. A priori coding and content analysis were used to identify preservice teachers’ demonstrations of combinations of TPACK constructs. Findings indicated that preservice teachers demonstrated TPACK (41%) and combined Technological Content Knowledge and Pedagogical Content Knowledge most frequently (42%), Pedagogical Content Knowledge less frequently (13%), and other patterns rarely, combined Technological Content Knowledge and Technological Pedagogical Knowledge (1%), Technological Content Knowledge (1%), Technological Pedagogical Knowledge (0%) and combined Pedagogical Content Knowledge and Technological Pedagogical Knowledge (0%). This study cohered with previous research that found just under half of teachers demonstrated TPACK. However, it differed from previous studies that did not show patterns of Pedagogical Content Knowledge but Technological Pedagogical Knowledge, as our data showed Pedagogical Content Knowledge but not Technological Pedagogical Knowledge. Finally, it extended previous research by identifying patterns of literacy preservice teachers’ demonstrations of TPACK in their elementary literacy lesson plans. It also demonstrated new ways of combining TPACK constructs (i.e., Technological Content Knowledge and Pedagogical Content Knowledge, Technological Content Knowledge and Technological Pedagogical Knowledge, and Pedagogical Content Knowledge and Technological Pedagogical Knowledge), which when used to code the data resulted in a more comprehensive definition of TPACK. Only 2% of the lesson plans did not demonstrate any of the combinations.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».