Personal Epistemic and Learning Approaches as Predictors of Pre-service Teachers use of Strategies to Counter Cognitive Dissonance from Supervisor Feedback
Notice bibliographique
Résumé
This study investigated how epistemic and learning approaches of pre-service teachers (PRESETs) in Obafemi Awolowo University, Southwestern Nigeria, predict their use of strategies to counteract cognitive dissonance arising from incongruent feedback from supervisors. The study adopted the descriptive survey research design. The population comprised 192 PRESETs in the third and fourth year of their teacher training. Findings revealed that the PRESETs possessed sophisticated personal epistemic approaches and utilised the deep approach to learning more than the surface approach. It was also revealed that the PRESETs are likely to utilise multiple strategies to counteract cognitive dissonance that may arise from conflicting feedback from university assigned supervisors during teaching practice. Findings revealed a function with coefficients as follows: deep approach (0.78), simple knowledge (0.21), surface approach (0.22), innate ability (-0.015), quick learning (-0.09), omniscient authority (0.17) and certain knowledge (0.24). The structure was maximised for 77% of PRESETs with high use of strategies to counteract dissonance arising from incongruent supervisors’ feedback; 36.7% and 67.6% of PRESETs with moderate and low dissonance reduction strategy users respectively. The conclusion reached was that teacher educators and other stakeholders should be made aware of these findings. Also, these findings should be incorporated in the implementation of course contents on sources of cognitive dissonances during teaching practice and how to counter them.
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 | 0,000 |
| 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 ».