Developing and Implementing a Culturally Responsive Self-Regulated Learning Framework: Exploring How Teachers Could Empower Culturally Diverse Learners in Inclusive Classroom Environments
Notice bibliographique
Résumé
This study investigates the development, and integration, of a “Culturally Responsive Self-Regulated Learning (CR-SRL) Framework” to guide teachers in creating supportive classroom environments for culturally diverse learners. Literatures on culturally responsive teaching and self-regulated learning both suggest principles and practices for designing inclusive classrooms; however, from different perspectives. To pull those frameworks together, and building on sociocultural and situative perspectives, I conducted a theoretical analysis to conceptualize an integrated CR-SRL Framework. Using a multiple case study design, I field-tested how the framework might be useful by building practices collaboratively with three elementary classroom teachers. Data included classroom observations, document reviews (i.e., teachers’ lesson plans and assignment instructions), and teacher interviews. The findings from a qualitative analysis suggest that the CR-SRL framework helped the teachers in integrating CR-SRL practices. However, there were variations in the ways the teachers designed and implemented the framework based on their prior practices and learning experiences. Nevertheless, the teachers experienced both benefits and challenges as they were working to design and implement the framework. This paper concludes by discussing how educators might be supported to take up a CR-SRL framework to meet the needs of culturally diverse learners. Implications for theory and research, teacher education, and professional development are discussed.
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 | 0,002 | 0,001 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».