Educational Robotics and Preservice Teachers: STEM Problem-Solving Skills and Self-Efficacy to Teach
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
Integrating STEM education within the elementary school science curriculum in Ontario, Canada, elevated the expectation for elementary preservice teachers to teach STEM skills such as problem-solving through coding. Research shows that educational robotics can promote STEM knowledge and skills. This mixed methods study investigates the effect of an educational robotics intervention on preservice teachers’ STEM problem-solving skills and their self-efficacy to teach with educational robotics during the COVID-19 pandemic. Data sources included a pre- and postquestionnaire on problem-solving, a pre- and post- self-efficacy teaching questionnaire, a problem-solving worksheet, and transcripts of group interactions. Quantitative findings were statistically significant for preservice teachers’ self-efficacy to teach with educational robotics (large effect size) and for problem-solving competencies (small effect size). Using a STEM problem-solving framework, two preservice teacher group interactions were analysed. Qualitative findings indicated that preservice teachers exhibited similar problem-solving processes as STEM experts, but preservice teachers’ prior STEM knowledge limited the types of decisions considered at the problem-solving stages. The study provides an example of how preservice teachers’ self-efficacy to teach with educational robotics was developed within a science education course and lends unique insights into the problem-solving processes these preservice teacher groups engaged in.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découle