Tpack Knowledge Supporting Design of Effective Technologyenhanced Science Instruction for Digital Learners
Notice bibliographique
Résumé
There is a need for science educators to develop knowledge about how to integrate digital technology in science instruction to create learning environments that digital learners perceive as relevant, and to promote 21st century learning skills. This chapter introduces a framework for designing and assessing technology-enhanced science instruction called The TPACK Design Framework for Assessing Technology-enhanced Instruction. The TPACK Design Framework is derived from the Framework of TPACK-in-Practice, which emerged from results of longitudinal studies of pre-service and in-service teachers as they taught with technology in elementary classrooms. The Framework of TPACK-in-Practice highlights the TPACK knowledge (Mishra & Koehler, 2006) that teachers use in practice, and describes the knowledge intersections of technological knowledge (TK) with pedagogical content knowledge (PCK), content knowledge (CK), and pedagogical knowledge (PK), referred to as TPCK, TCK, and TPK respectively. Research indicates that effective technology-enhanced instruction is supported by explicitly teaching teachers about these specific characteristics and actions. Two examples from middle school science are provided to illustrate how teachers can use the TPACK Design Framework to design science instructional activities integrating digital technology relevant to the digital learner while simultaneously addressing science curriculum learning goals and developing 21st century learning skills. Through the process of designing and reflecting on science instruction using the TPACK Design Framework, teacher knowledge about how to teach with technology (TPACK) is heightened.
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 | 0,003 | 0,003 |
| 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 | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».