Second Order Confirmatory Factor Analysis of Pre-Service Teachers’ Competence Based on TPACK Concept
Notice bibliographique
Résumé
The purposes of this research were to: 1) study the components and indicators of the competence of pre-service teachers based on the TPACK concept, and 2) study the results of confirmatory factor analysis (CFA) on the competence of pre-service teachers based on the TPACK concept. This research was divided into four phases and data were collected from a sample group of 890 fifth-year trainee teachers. Research instruments comprise: 1) interview form for 5 experts, 2) questionnaire for 6 university supervisors and 6 associate teachers and 3) CFA questionnaire for collecting data from 890 preservice teachers. The result of this research found that the competence of pre-service teachers at Northeastern Rajabhat University, Thailand, based on the TPACK concept, comprises 7 components and 57 indicators as follow: 1) content knowledge (CK) including 7 indicators; 2) pedagogical knowledge (PK) including 8 indicators; 3) technological knowledge (TK) including 8 indicators; 4) pedagogical content knowledge (PCK) including 10 indicators; 5) technological content knowledge (TCK) including 6 indicators; 6) technological pedagogical knowledge (TPK) including 9 indicators; and 7) technological pedagogical content knowledge (TPACK) including 9 indicators and the results of confirmatory factor analysis (CFA) on the competence of pre-service teachers based on the TPACK concept found that the model aligns with the empirical data at a good level (c2 = 1,328.900, df = 1251, p = 0.062, CFI = 0.999, TLI = 0.998, RMSEA = 0.008, SRMR = 0.023, and c2/df = 1.06), which are statistically significant at the .01 level.
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 | 0,000 | 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 | 0,000 | 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) | 0,006 | 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 ».