Problems and Needs Assessment to Learning Management of Computational Thinking of Teachers at the Lower Secondary Level
Notice bibliographique
Résumé
The objective of the study was to investigate the problems and needs in the learning management of computational thinking among teachers at the lower secondary level in private schools in the province of Maha Sarakham, Thailand. This current study comprised 42 participants. The research tools were 1) questionnaires about problem situations in learning management for computational thinking and 2) recordings of group discussions. 1) The findings revealed that teachers had limited knowledge and understanding of learning management in computational thinking (xത = 2.43, S.D. = 0.44). In this regard, teachers believe that computational thinking is regarded as knowledge in addition to literacy, and they recognize that computational thinking, together with reading, writing, and calculating, is the cornerstone of learning in the 21st century. The best way to foster and develop teachers in teaching and learning computational thinking skills is through training and collaboration with the technology that should be used in teaching and learning computational thinking (i.e., computers, computer programs, smartphones, and multimedia). 2) Teachers indicated a strong need for self-improvement in terms of learning management in computational thinking (xത = 4, S.D. = 0.63). Through training, teachers want to improve their control of computational thinking. The development of learning management abilities that enhance computational thinking involves the following five steps: 1) Educating teachers; 2) Having a speaker or mentor instruct them in the creation of activities; 3) providing activities for teachers to practice together until proficiency is attained; 4) enabling each teacher to present the outcomes of the activities; and 5) teachers collectively summarizing the results of the activities.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».