Investigating Technological Pedagogical Content Knowledge Competencies among Trainee Teachers in the Context of ICT Course
Notice bibliographique
Résumé
The Technological Pedagogical Content Knowledge (TPACK) framework developed over a decade ago is still valid and applicable in educational contexts when dealing with the use of technology in teaching and learning. With widespread availability of devices and prolific use of technology among students, teachers need to be conversant with various technologies that can be integrated and enhance the teaching and learning process. Most teacher education programmes equip trainee teachers with the integration of technology in the lessons and introduce them to instructional design that would align to the curriculum and make their teaching attractive and effective. It is important to establish the level of TPACK among trainee teachers and prepare them appropriately with necessary domain of knowledge to enable them to function well in future classrooms. This study was conducted with trainee teachers to determine the validity and reliability of the TPACK questionnaire and to identify trainee teachers’ perceived pathways to TPACK. Data were analysed using the maximum likelihood estimation (MLE) procedure, and the measurement model was assessed using confirmatory factor analysis (CFA). The structural model was developed and the path coefficients and their statistical significance were tested to determine the correlations between TPACK competencies. Le modèle TPACK portant sur les connaissances technologiques, pédagogiques et de contenu, développé il y a plus de dix ans, demeure valide et applicable dans les contextes pédagogiques où l’enseignement et l’apprentissage sont appuyés par la technologie. La grande disponibilité des appareils technologiques et leur emploi généralisé par les élèves exigent que les enseignants soient à l’aise avec les technologies qui peuvent être intégrées pour améliorer l’enseignement et l’apprentissage. La plupart des programmes de formation des enseignants les prépare à intégrer la technologie dans leurs leçons et en aligner la conception pédagogique avec les programmes d’études pour augmenter l’efficacité de leur enseignement. Il est important d’établir le niveau de TPACK chez les enseignants stagiaires et de les préparer en conséquence en leur communiquant les connaissances nécessaires pour bien fonctionner dans les salles de classe de l’avenir. Cette étude s’est déroulée auprès d’enseignants stagiaires, de sorte à déterminer la validité et la fiabilité du questionnaire TPACK et pour identifier ce que les enseignants stagiaires perçoivent comme étant les moyens d’acquérir les connaissances liées au TPACK. Les données ont été analysées par la méthode d’estimation du maximum de vraisemblance et le modèle de mesure a été évalué par une analyse factorielle confirmatoire. Le modèle structurel a été élaboré, et les chemins et la signification statistique des coefficients ont été testés, de sorte à établir les corrélations entre les compétences du modèle TPACK. Mots clés: connaissances technologiques, pédagogiques et du contenu; enseignants stagiaires; validation; cours sur les TIC; formation des enseignants
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».