Enhancing teaching competence of prospective physical education teachers with integrated learning model
Notice bibliographique
Résumé
Learning continuously evolves, propelled by advancements in science and technology as well as the shifting needs and preferences of students. A critical question arises: Are prospective teachers adequately prepared to adapt to these evolving demands with the necessary competencies? This study addresses this question by investigating the effectiveness of an Integrated Learning Model (ILM) in enhancing key teaching competencies. The research focuses on teaching skills, analytical thinking abilities, academic integrity, and transformational leadership qualities among prospective teachers. The study employs an experimental research design, utilizing a one-group pre-test-post-test methodology to assess the impact of the ILM on 35 students selected through cluster sampling. Data collection instruments included the TPOG for evaluating teaching skills, the ATSI for assessing analytical thinking, the PAAIS-24 for measuring academic integrity, and the GTLS for gauging transformational leadership abilities. The data analysis involved descriptive statistics, paired samples t-tests, and N-gain score analysis. The results indicate a significant positive effect of the ILM on all measured competencies: teaching skills, analytical thinking skills, academic integrity, and transformational leadership. These findings underscore the ILM's potential as a robust framework for developing the competencies necessary for prospective teachers to meet the challenges of modern education. The study suggests that future research should explore the application of ILM in various social contexts, examine its effectiveness in fostering additional relevant competencies, and compare its outcomes with those of other instructional models. Such investigations will contribute to a deeper understanding of ILM's role in preparing teachers for the demands of 21st-century education.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 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 ».