The Improvement of Attitudes toward Convergence of Preservice Teachers: Blended Learning versus Online Learning in Science Teaching Method Courses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There has been a growing need as preservice teachers develop competencies regarding convergence. Focused on a discussion of blended learning before the COVID-19 pandemic versus online learning in the epidemic, we aimed to explore whether preservice teachers’ attitudes toward convergence can be influenced by the learning environment. Participants were a total of three hundred preservice teachers who attended the science teaching method courses training their TPACK at a teachers college in South Korea during the 2018 to 2020 academic years (194 in the blended learning group and 106 in the online learning group). Survey data on five subcomponents of attitudes toward convergence were collected at the start and end of the courses and analyzed using ANOVA and ANCOVA. As result, preservice teachers’ responses to the attitudes toward convergence in the pretests have a significant difference, whereas the overall scores in the posttests revealed no significant difference in the modalities of learning environments. Consequently, the preservice teachers engaged in the courses enhanced positive attitudes toward convergence regardless of delivery methods either blended learning or online learning. This paper provides evidence that the two teaching modalities of curriculum studies have the potential to foster preservice teachers’ attitudes toward convergence. This study supports that the blended and online learning formats of the course were feasible to induce short-term improvements in bias affective domains under the learning environments of science teaching method courses.
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.
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 | 0,009 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle