Crash Course in the Classroom: Exploring How and Why Social Studies Teachers Use YouTube Videos
Notice bibliographique
Résumé
This article explores how the Crash Course video series are being used as a content-focused resource in the social studies classroom. It argues that the Crash Course series, alongside its YouTube competitors, has significantly stepped in to fill a vacuum left by criticisms and the unpopularity of lectures, textbooks, and feature films. With over 15 million subscribers and accumulated views over 1.9 billion, Crash Course has become an important and ubiquitous force in history and social studies classrooms and represents a new genre of educational media found on YouTube. However, the dramatic rise in the popularity of educational videos online has not coincided with a growth in educational research, particularly in social studies and history education. This article explores the findings of a mixed-methods study that examines how and why history and social studies teachers are using Crash Course videos in their teaching and planning. In particular, it analyses descriptive statistics derived from the results of a teacher survey ( n = 181) and semi-structured interviews with seven social studies teachers who have used Crash Course in their classrooms. The authors found that teachers in the study are regularly using the Crash Course video series to deliver content which is clearly meeting a need many social studies teachers have. The videos–short, easily accessible, and fun–fit nicely with demands to keep students engaged, reduce reliance on textbooks, and explore new content that teachers have little time to learn themselves. This study also found that rarely, if ever, are teachers inviting students to evaluate or assess the content, trustworthiness, or perspective of Crash Course videos. This article discusses what is gained and what are the risks of embracing Crash Course in the social studies and history classroom.
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 | 0,015 | 0,003 |
| 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 | 0,004 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».