Preparing Pre-Service Educators to Teach Worldview-Threatening Curriculum
Notice bibliographique
Résumé
Emotions are central to teaching potentially polarizing content. This study asked pre-service teachers to engage with ideas from Ernest Becker (1973, 1975) and terror management theory (TMT) from experimental social psychology about defensive responses. In group training sessions before their teaching practicum and focus groups after their practicum, pre-service teachers considered the following questions: How might we prevent ourselves, as teachers, from treating a student harshly (or with dismissiveness) when their worldview clashes with ours? What might we need to do with our classes before worldview threatening lessons begin in order to mitigate defensive compensatory reactions? Participants explored how to facilitate contentious and potentially polarizing content and discussions so as to prevent unhelpful, defensive reactions by both students and teachers. This content included derogating people or concepts, coaxing or coercing others to your view, expressing views related to eliminating different worldviews, as well as appropriating aspects of other worldviews. A dramaturgical analysis identified participant objectives, conflicts, tactics, attitudes, emotions and subtexts. Participants explored how to anticipate and avoid worldview threat and self-esteem threat, navigate tense pedagogical spaces, build capacity for expressing uncomfortable emotions and diffuse threat with (appropriate) humour. Through their experiences, these pre-service teachers also increased their own emotional awareness. For participants, TMT became both an attitude and a teachable theory. The authors hope that both direct and indirect uses of TMT in educational contexts can help nourish less fraught social relations, helping us (as educators and humans) gain perspective on our beliefs and those of others without devaluing emotional responses.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».