A Case Study of Virtual Kindergarten Teachers in Technology-Enhanced Classrooms
Notice bibliographique
Résumé
With the threat of future global pandemics and the possible necessity to mandate schools to transition to temporary online learning, it is imperative to provide kindergarten teachers with effective pedagogical practices using technological devices and resources in virtual classrooms. To address this challenge, this case study aims to discover 1) the attitudes and beliefs towards digital screen-based technologies or resources in the virtual classroom, 2) the benefits and challenges of teaching and learning in virtual kindergarten classrooms, 3) the digital screen-based technological tools or resources FDK educators are currently implementing, 4) how educators used the tools or resources to document play-based learning virtually, 5) and what do educators need to integrate technology into their virtual pedagogical practices effectively. Using semi-structured interviews from 11 early childhood educators and one teacher-researcher from virtual kindergarten classrooms in Ontario, Canada, a thematic content analysis from the typed transcripts and reflective notes was adopted to generate emerging themes. The findings demonstrated that 1) educators had a similar positive attitude towards technology in kindergarten as in other countries worldwide, 2) the benefits and challenges of virtual teaching and learning, 3) update on what types of technological devices and resources educators especially in the virtual milieu, are using, 4) and ways to support successful technology integration into virtual pedagogical practices. The findings from this study, in conjunction with other current research, provide practical recommendations for virtual kindergarten educators, parents, school boards, and policymakers.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».