Sensing Expertise in Pre-Service Teacher Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Upon entering a school as a pre-service teacher you will encounter and observe teachers in action. Your observations will lead to an awareness of the many prerequisites required to educate students. These prerequisites are often labelled quite simply ‘teacher expertise’. Expertise, though, is not precise enough to communicate effectively what the observer has noted either overtly via observation or intuitively via reflection. The pre-service teacher needs to dialogue with expert teachers; however, education is fast-paced and leaves little time for discussion that is neither deep nor accurate because much of what expert teachers do is tacit, unnamed and complex. It is tempting for young teachers to try to emulate experienced educators because they see someone apparently experiencing none of the problems they seem to encounter. In other words, some veteran teachers inadvertently ‘ … reinforce the myth that “good ” teachers encounter few if any uncertainties in their everyday practice and by mitigating against raising questions about practice of self and/or others, the culture of teaching promotes isolation and the virtue of self-reliance ’ (Hannay, 1998: 19). Education does suffer from the ‘constraints of overload, isolation, and compartalization that are endemic to schools ’ (Earl & Cousins, 1995: 42). Therefore, pre-service teachers need to understand expertise before they enter classrooms, so that they can better identify, label and discuss their observations with mentors and peers. What follows are six constructs (see Figure 1) that provide useful concise descriptions of expertise and the associated traits that permeate each.
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.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle