Exploring Online Physical Education Teaching: What Have We Done and What Have We Learnt?
Notice bibliographique
Résumé
Engaging with physical education teachers who were compelled to integrate technology into their lessons during the COVID-19 pandemic is crucial to understanding how the pandemic has presented this ‘new normal’ circumstance. It is vital to gain insight into the initial experiences of physical education (PE) teachers who transitioned to online physical education (OLPE) teaching, as well as to identify potential areas for improvement in the future. This study investigated the perspectives of secondary school PE teachers on OLPE teaching during the COVID-19 lockdown, their professional development, online training opportunities and future perceptions. Using a mixed-methods approach, this study analysed data from 35 secondary school PE teachers in Fiji, using Google Forms to collect quantitative data and semi-structured interviews for qualitative data. The quantitative data was categorized by age, gender, school setting, qualifications, and teaching experience, while the qualitative data was analysed by themes. The study found that teachers struggled with OLPE due to lack of preparedness, poor Internet connectivity, and lack of emphasis on PE during lockdown. Despite their readiness, integrating technology remains challenging due to a lack of incentives, limited support, and fear of the unknown. The study emphasises the vital importance of technology in creating engaging and relevant PE experiences and recommends the provision of specialised resources, personalised curriculum guidance, and a change in teacher training institutions' paradigms to incorporate contemporary technological applications in PE.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,013 | 0,016 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».