Developing a Model to Enhance Junior High School Teacher 21st Century Learning Management Competencies
Notice bibliographique
Résumé
This study pursues a comprehensive tripartite agenda: firstly, to investigate the essential requisites for formulating a model geared towards augmenting teachers’ 21st century learning management competencies; secondly, to design a tailored model aligned with these competencies; and thirdly, to scrutinize the tangible impact of model implementation. Employing a multi-phased approach involving meticulous need analysis, model development, and real-world implementation, this study navigated a dynamic educational landscape. Phase 1 involved 353 participants, collectively shaping the foundation for subsequent phases. Phase 2 harnessed the expertise of five seasoned educators and scholars to collaboratively refine and assess the model. Phase 3 expanded the scope to encompass 24 junior high school teachers and 36 educational stakeholders, further validating the model’s utility. The outcomes highlight a model encompassing curriculum development, learner-centered active learning strategies, media and technology integration, authentic learning assessment, and conducting research for learner development. This comprehensive model was fashioned as a dynamic workshop, integrating face-to-face training, coaching training, and online modules, thereby catering to diverse learning preferences. Remarkably, the model’s implementation elicited substantial benefits: significant enhancements were observed in teachers’ 21st century learning management skills, while students’ 21st century skills also experienced discernible progress. Notably, the model’s overall quality, rigorously evaluated through the CIPPIEST model, reaffirms its excellence and potential for sustainable educational advancement.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».