Components and Indicators of Computational Thinking Learning Experience Management Competency of Early Childhood Teachers in Educational Institutions
Notice bibliographique
Résumé
This research aimed to: 1) investigate the components and indicators of computational thinking learning experience management competency of early childhood teachers in educational institutions under the Office of the Basic Education Commission, and 2) examine the congruence of these components and indicators. The research was conducted in two phases: Phase 1 involved studying the components and indicators of computational thinking learning experience management competency of early childhood teachers, and Phase 2 consisted of a confirmatory factor analysis of the competency in computational thinking learning experience management of early childhood teachers. The sample comprised 330 early childhood teachers from educational institutions under the Office of the Basic Education Commission in the northeastern region, determined using a 15:1 ratio of 22 parameters and selected through multi-stage random sampling. The research instrument used was a questionnaire designed to develop the components and indicators of the computational thinking learning experience management competency of early childhood teachers in schools under the Office of the Basic Education Commission. The data were analyzed using Confirmatory Factor Analysis (CFA). The findings revealed that: 1) The components and indicators of computational thinking learning experience management competency of early childhood teachers, synthesized from relevant documents and research, consisted of: (1) decomposition of problems into sub-problems/sub-tasks, (2) pattern recognition in problems or solution methods, (3) abstraction of essential problem elements, (4) algorithm design, and (5) unplugged programming, with a total of 17 indicators; 2) The alignment of the empirical data with the components and indicators of the competency showed that the chi-square value was 85.641, with 69 degrees of freedom (df), a chi-square/df ratio of 1.2411, a statistical significance (p-value) of 0.085, a Tucker-Lewis Index (TLI) of 0.994, a Comparative Fit Index (CFI) of 0.997, a Root Mean Square Error of Approximation (RMSEA) of 0.027, and a Standardized Root Mean Square Residual (SRMR) of 0.025.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».