Educational technology to train teachers of minority languages in Canada
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
Canada is the world’s second largest country by total area, occupying most of northern North America. For its ten provinces and three territories, Canada must offer education in either English or French, the country’s two official languages. This raises many challenges, particularly in areas or provinces where one language, usually French, is a minority language. For example, in Ontario, Canada’s second largest province, there is a significant shortage of qualified French-speaking teachers. Moreover, although many schools employ some teachers who are not fully qualified, it would be unthinkable to remove them from the classroom for further training, given the lack of teachers. To cope with this challenge, the School of Education of Laurentian University launched a distance teacher training program. Early into the program, the candidates found that distance education was insufficient to help them meet the challenges of classroom teaching. After conducting interviews with our prospective teachers (n = 125), we realised that the theoretical content provided through the distance program needed to be complemented by classroom observations. However, this appeared to be impossible in the circumstances. In this paper, we highlight the findings of our study on the use of educational technologies to train minority-language teachers in Canada. We will focus specifically on the video component that we included in the distance training course. We will show how the videos (over 75 real-life recordings of teachers and pupils in a variety of common pedagogical situations) actually benefited the teachers-in- training, who reported increased feelings of competence, among others.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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