Professional Learning Using a Blended-Learning Approach with Elementary Teachers Who Teach Science: An Exploration of Processes and Outcomes
Notice bibliographique
Résumé
A priority for science education is to enhance pedagogical innovation in classrooms with practicing science teachers through professional development programs (PDPs). One way forward is to use a twenty-first century approach by designing a blended (i.e., online and face-to-face) program. While this approach is not new, this model has not been investigated as part of a large-scale PDP in Canada. This chapter reports on a PDP with a blended design implemented by a teaching association to support teachers’ implementation of innovative science teaching practices (e.g., inquiry, technology-enhanced teaching). The PDP had three elements: face-to-face workshops and seminars, collaboration in an online learning environment, and knowledge mobilization through sharing of developed resources. Over the PDP’s duration, 142 elementary science teachers participated. Using aggregate data from a mixed-methods approach, our evaluation research documented minor changes in elementary teachers’ views and practices with respect to the targeted innovative instructional practices. By synthesizing our findings within the current extant literature, we provide specific recommendations for future PDP designers and contribute to the research call to identify evidence-based practices from science-specific studies on blended PDPs. These recommendations include attending to technological supports, accountability considerations, and meaningful integration of online and face-to-face learning opportunities for teachers of science. Contributing to research that is designed for science teaching communities in Canada sheds light onto the nebulous area of professional learning for science teachers.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».