MétaCan
Menu
Retour à la cohorte
Enregistrement W3081787727 · doi:10.5430/wje.v10n4p149

Critical Thinking Skills and Self-Efficiency Beliefs in Preservice Physical Education Teachers

2020· article· en· W3081787727 sur OpenAlexvenueno aff
İsa Doğan, Erdal Zorba, Musa Şahin

Notice bibliographique

RevueWorld Journal of Education · 2020
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEducation Practices and Challenges
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyMathematics educationPhysical educationCritical thinkingScale (ratio)Structural equation modelingScope (computer science)Sample (material)Statistical analysisSelf-efficacyTeacher educationPedagogySocial psychologyGeography

Résumé

récupéré en direct d'OpenAlex

The aim of this research is to determine the relationship between preservice physical education teachers' self-efficacy beliefs and critical thinking tendencies. For this purpose, our universe constitutes preservice physical education teachers studying at different universities in the 2018-2019 academic year. The research sample consists of 640 preservice teachers in total, 350 males and 290 females. Cities in which the preservice teachers are involved in the research and the universities where they are studying; It consists of 8 provinces: Bartın, Bolu, Çorum, Düzce, Karabük, Kastamonu, Sinop, Zonguldak. Within the scope of the research, “California Critical Thinking Scale (CCTDI)” and “Teacher Self-Efficacy Scale” were used to obtain the data collected from preservice teachers. The data collected for the purpose of the research were analyzed with the SPSS-25 statistical program. Structural equation modeling analyzes were carried out using the data collected from 640 participant groups using the AMOS-25 package program. As a result, students can be directed to earn these trends through activities aimed at gaining critical thinking skills and tendencies by rethinking physical education and sports school programs being implemented in our country. In this regard, university students can be given the opportunity to become highly critical individuals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,476
Score d'incertitude au seuil0,344

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,316
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of EducationMême sujetEducation Practices and ChallengesTravaux en français237 207