Dialogic reading in an early childhood education setting: ECEs’ learning in the context of a community of practice model
Notice bibliographique
Résumé
The professional development (PD) of early childhood educators (ECEs) is key to childcare quality. The Professional Learning Community (PLC) model has been well-researched in K-12 settings and is found to have advantages over traditional models of PD; thus, it holds promise for educators in other settings such as early childhood education centers. Indeed, there is an increasing call for the implementation of this model in ECE settings. Some research has found that supporting ECEs’ professional learning (PL) through PLC development is a promising approach; nonetheless, PLCs remain under-researched in early childhood contexts, and findings are less conclusive. The current study examined the potential of PLC development for supporting learning about Dialogic Reading (DR) – a topic of interest to ECEs. In the current study, ECEs in one Canadian context participated in an online project in which they concurrently learned about the PLC model and DR. Our research, including ECEs’ written reflections, and video data of the ECE-child storybook reading, yielded novel findings. These findings suggest that ECEs learned to employ the specific techniques of dialogic reading for engaging children and enriching the dialogic interactions during storybook reading, while also learning to enact processes associated with a PLC model. The ECEs attributed several features of the PLC model to deepening their DR learning. These findings and their implications for practice and future research are further considered.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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; 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 ».