Preservice Teachers’ Views Regarding Out-of-Class Teaching Processes: A Case Study
Notice bibliographique
Résumé
Out-of-class learning environments are important learning environments because they improve students’ mental and physical health as well as providing them with cognitive, affective, and psychomotor skills. However, it is necessary to make a plan, implement and evaluate the teaching processes appropriately to efficient benefit from out-of-class teaching environments. The present study aimed to determine preservice teachers’ views regarding out-of-class teaching processes. The study utilized the case study design, a qualitative research approach, to make an in-depth analysis of preservice teachers’ views. 58 preservice teachers from the educational faculty of a state university in Turkey were the participants of the study. Data were collected using a semi-structured interview form developed by the researcher of the present study. For the analysis of data obtained, content analysis was carried out using NVivo9 software, and themes and codes were determined. Findings were presented with frequencies, percentages, excerpts of preservice teachers’ views, and models that indicate the relationship between themes and codes. Findings revealed six different themes for the preservice teachers’ views: out-of-class learning places; advantages of out-of-class teaching; limitations of out-of-class teaching; planning of out-of-class teaching; implementation of out-of-class teaching; and assessment of out-of-class teaching. The study findings were discussed in line with the related literature and suggestions were made regarding the findings.
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 | 0,004 |
| 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 | 0,001 | 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 ».