MétaCan
Menu
Retour à la cohorte
Enregistrement W4388845896 · doi:10.5430/jct.v12n6p298

How Teaching Competitions Support the Development of Teaching Self-Efficacy: A Study of Award-Winning English as a Foreign Language Teachers

2023· article· en· W4388845896 sur OpenAlexvenueno aff
Zhongyue Zhang, Ahmad Johari Sihes

Notice bibliographique

RevueJournal of Curriculum and Teaching · 2023
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSelf-efficacyPsychologyContext (archaeology)Mathematics educationInterpersonal communicationThematic analysisTeaching englishPedagogyCompetition (biology)Teaching methodEnglish as a foreign languageForeign languageQualitative researchSocial psychologySociology

Résumé

récupéré en direct d'OpenAlex

The research focuses on award-winning EFL (English as a foreign language) teachers’ teaching competition experiences. Each of the 11 EFL teachers interviewed in the study had won at least two prizes in teaching competitions. The main objective of this research is to explore their recollections of participating in teaching competitions and the impact that their experiences had on them. The findings indicate the important role of teaching competitions in the development of EFL teachers’ teaching self-efficacy and factors that are responsible for increase in teaching self-efficacy. The interview data were analyzed using thematic analysis, resulting in the identification of four key themes: knowledge, practice and reflection, feedback, and interpersonal support. These themes are discussed in the context of Bandura’s self-efficacy theory, highlighting how teaching self-efficacy is developed through the interplay of various factors, including experiences, knowledge, and contextual factors. The study provides valuable insights into the literature on the development of teaching self-efficacy, and specific recommendations for developing effective teaching competition 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,015
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0060,004
Communication savante0,0060,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,278
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Curriculum and TeachingMême sujetEFL/ESL Teaching and LearningTravaux en français237 207