« Pédalant dans la semoule » en éducation physique à l’ère du COVID-19 : freins, apprentissages et attentes des enseignants des écoles publiques brésiliennes
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
Cette recherche a identifié les freins qui ont limité l’enseignement d’éducation physique à distance pendant la fermeture des écoles en raison du COVID-19 et les apprentissages des enseignants et leurs attentes en matière d’intégration des technologies numériques dans leur enseignement futur. Le cadre théorique de notre étude est ancré sur la théorie de la diffusion de l’innovation développée par Everett Rogers. Cette étude exploratoire a été menée auprès d’un échantillon de 33 enseignants d’éducation physique, qui ont répondu à un questionnaire en ligne. Les résultats montrent que la plupart des enseignants ont utilisé WhatsApp pour diriger les devoirs. Ils enregistrent des vidéos et des messages audio, utilisent des textes et vidéos repérés sur Internet pour enseigner à distance et un cinquième des enseignants préparent des polycopiés. Les enseignants ont déclaré les freins et les apprentissages de cette période, ainsi que leur intention d’intégrer davantage les technologies numériques dans leur enseignement à l’avenir. Cette période exceptionnelle de pandémie a forcé une adaptation du processus d’enseignement-apprentissage médié par les technologies numériques. Malgré tous les efforts, les inégalités sociales limitent l’accès aux technologies numériques et à l’enseignement à distance pour une partie considérable des élèves.
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 | 0,035 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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