“Teach Your Classmates About the Behavior of Water with School-Level Science Models”: An Experience in Initial Preschool Teacher Education
Notice bibliographique
Résumé
Abstract Prospective preschool teachers (PPTs) need to have learning experiences with the practice of scientific modelling to be able to design appropriate lessons as teachers. In the literature on research in science education, scarce experiences of PPTs in scientific modelling can be found. This study aims to fill the knowledge gap about PPTs’ representations of water and its states by means of models. To this end, an analysis is made of the models designed by PPTs and the difficulties they found in such a design process. The participants were 47 PPTs, working in groups of 2 or 3, forming 19 groups in total. The data source for analysis was the report written by each group. The oral presentation of these reports in class also served to clarify any doubts about the models elaborated by the PPTs. The models were analysed and categorized using qualitative content analysis methods, by combining inter- and intra-rater evaluation strategies. The results reveal that PPTs in general used a variety of resources to make models about the water molecule. Nonetheless, they found it harder to model the differences between the three aggregation states of water from a molecular perspective. The PPTs also acknowledged having had difficulties, such as when choosing and handling the materials they used to create the models or when thinking how to adapt them for the explanations to their peers. It is concluded with a discussion and implications of this study towards the PPTs’ training in scientific modelling and its didactics.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».