Data on pre-service teachers’ experience of project activities based on the teacher education support project in Tanzania
Notice bibliographique
Résumé
Supporting teacher education in Tanzania has long been a common practice implemented by both local institutions and development partners. Despite a huge investment that has been dedicated to improve teacher education in Tanzania, a lot remains unclear on how direct beneficiaries perceive their engagement with the project activities including the milestones achieved by the implemented projects in teacher colleges (TCs). This article presents data on the experience of pre-service teachers (N = 2,772) participating in the Teacher Education Support Project (TESP), a project collaboratively implemented by the Governments of Tanzania and Canada. In this cross-sectional survey, data was collected from all the 35 public TCs in the Tanzania Mainland from May to August 2021. Exploratory factor analysis was conducted coupled with Monte-Carlo parallel analysis to examine the factor structure of the questionnaire alongside the descriptive analysis of pre-service teachers’ responses. The data covers four dimensions of the project services delivered to TCs, including library facilities, teaching and learning materials, science and ICT support as well as teaching and learning methods employed by tutors following TESP intervention. Broadly, useful insights that enlighten the progress made by the TESP so far are presented to stimulate the debate on how to successfully implement a development project geared towards strengthening teacher education in Tanzania and elsewhere. The presented data provides opportunity for educational researchers, teacher educators, policymakers, and curriculum developers to rethink on the key areas that need immediate attention to enhance the important work of preparing teachers in TCs in Tanzania and possibly beyond.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».