Digital Literacy Development in Teacher Education: A Case Study
Notice bibliographique
Résumé
With increasing technological advancement, developing citizens’ digital literacy is more crucial than ever before in supporting Canada’s societal and economic future. Teachers hold a critical role in fostering their students’ digital literacy development. Using case study methodology, the objective of this research was to gain a deeper understanding from the perspectives of an administrator and five instructors on how pre-service teachers understand and develop digital literacy with the central research question of: How is digital literacy developed within a Design-based Thinking course in a teacher education program? The research question was investigated through collecting data on opportunities in one teacher education program for pre-service teachers in developing digital literacy in a Design-based Thinking course. Data were collected using individual interviews, focus group interviews, and document analysis. The collected data were analyzed through thematic analysis and two cycles of coding to identify emergent themes of participants’ understanding and perceptions of digital literacy development within the context of the Design-based Thinking course within the teacher education program. Four key findings emerged from this research study. First, instructors’ openness (or risk-taking) and modeling the usage of digital technologies in courses within the teacher education program encourage pre-service teachers to use digital technologies. Second, opportunities for feedback in support of pre-service teachers’ digital literacy development can be provided through learning tasks and assessments. Third, teacher education programs need to consider establishing program goals focused on developing digital literacy and provide professional development opportunities to support instructors’ in designing and facilitating pre-service teachers’ digital literacy development. Fourth, instructors need to have an understanding of digital literacy to design authentic and embedded learning tasks for pre-service teachers focused on supporting digital literacy development.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».