Examination of the Factors Affecting Elective Selection in Turkish Language Teaching Undergraduate Program
Notice bibliographique
Résumé
Curriculum plays an important role in the training of gifted teachers. This situation is confronted with situations such as constantly updating and radically changing teaching undergraduate programs. One of the complementary elements of the programs is electives. The Turkish Language Teaching Undergraduate Program, in which interdisciplinary studies increase efficiency, has also been renewed with these features in mind. There are 52 different electives in the Turkish Language Teaching Undergraduate Program published in 2018. This study was carried out to determine what factors affecting prospective Turkish teachers while choosing these courses. 162 prospective Turkish teachers studying at Sinop University Faculty of Education Turkish Language Teaching Department participated in the study conducted in the survey model in the 2019-2020 academic year. The questionnaire developed by Tezcan and Gümüş (2008) as a data collection tool to determine the factors affecting the course choices of university students was updated and applied. While analyzing the data, 5 themes were determined as “items related to being economical”, “items related to career goals”, “items related to teaching staff”, “items related to friend effect/environmental factors” and “items related to course features”. Prospective Turkish teachers selected courses that they can easily pass and contain information that will help them in their professional life; the lecturers considering the course to be successful in their fields; that the circle of friends is effective in the choice of elective courses and the family is ineffective in this process; the results they chose for lessons related to their talents and interests were reached.
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 | 0,000 | 0,003 |
| 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 | 0,000 |
| 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 ».