Why Choose Electrical Subjects? Profiling and Analyzing Motivations of Kuwaiti Pre-Service Teachers
Notice bibliographique
Résumé
The aim of this study was to determine factors that influence Kuwaiti pre-service teachers’ choice of Practical Electrical Subjects by profiling and analysing their motivations. Unlike previous studies that focused on the traditional conceptualisations of intrinsic, altruistic, and extrinsic motivations, this study uses the interpretive lens of Expectancy Value Theory which forms the foundation for the Factors Influencing Teacher Choice model to analyse and describe factors that influence the pre-service teachers’ career choice decisions. One hundred fifty-six pre-service teachers enrolled in a teacher education programme completed the Factors Influencing Teacher Choice survey on which they rated 25 motivational factors. T-tests and One-way ANOVA were used to examine differences based on gender and year of study. Self-efficacy beliefs, social utility value, time for family, job security and prior teaching and learning experiences were important career choice determinants. Fall back career was the least important motivational factor. Gender was found to significantly influence their career choice while year of study did not significantly influence their decision. In general, female pre-service teachers appeared to be more motivated to choose teaching electricity as a practical subject than males. The pre-service teachers’ year of the study showed significant variations only regarding social utility values and fallback career. The results of this study would contribute to existing literature on factors influencing pre-service teachers to choose a teaching career that involves vocational or practical subjects’ teachers. Some theoretical and practical implications are drawn for pre-service teacher education.
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 | 0,001 |
| 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 ».