A Study of Preservice Teachers Developing Teaching Competencies with VEX GO Robotics
Notice bibliographique
Résumé
There is global impetus to include the learning of STEM skills across k-12 school curricula to keep abreast of changing occupational, economic and societal needs. The province of Ontario, Canada implemented a revised Grades 1-8: Science and Technology curriculum in 2022 that emphasises STEM learning across the elementary grades. However, majority of elementary teachers in Canada are generalists – they are expected to teach all subjects such as language, science, mathematics, and the arts. In this type of teacher education context, where majority of the elementary preservice teachers (PTs) do not have undergraduate degrees in the STEM disciplines, there is need to provide them with STEM experiences to develop their STEM knowledge and skills and their teaching competencies for elementary school STEM teaching. The literature shows that educational robotics (ER) can develop STEM skills in k-12 students. This paper reports on a study that examined how middle-school preservice teachers develop confidence and knowledge to teach about coding with VEX GO robotics. Data sources for n = 50 preservice teachers included a pre-questionnaire on prior knowledge, a pre- and post-questionnaire on confidence to teach with robotics, and a worksheet to guide activities and record coding solutions. Preservice teacher (PT) participants volunteered to participate and signed a consent form, approved by the university research ethics board. The quantitative data were analysed with SPSS version 29. The results were statistically significant for the effect of the robotics intervention on PTs’ confidence about their competencies to use robotics in teaching and learning of middle school science and a large effect size was observed. The findings also revealed that PTs’ participation in the robotics activity resulted in a gain in their reported knowledge about robotics to integrate in teaching and learning. The results inform the design of instructional experiences in Teacher Education courses to improve elementary preservice teachers’ self-efficacy and competencies to teach with robotics in classrooms and also provide insights into the design of ER learning experiences for elementary school contexts.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».