Mathematics and Coding in Teacher Education
Notice bibliographique
Résumé
Coding has been introduced into K through 12 curricula worldwide, yet most teachers lack firsthand experience with it, either as students or in their adult lives. For teachers to support student learning with coding, they must first gain experience and develop effective teaching approaches. Teacher education programs can play a role in this. This study investigates how preservice teachers’ perspectives on coding and teaching and learning mathematics evolved as a result of: (a) course experiences (activities, assignments, discussions, and reflections); and (b) mathematics and coding teaching experiences. The study was conducted over six years, with six cohorts of preservice teachers enrolled in a 36-hour course called “Computational Modelling in Mathematics and Science Education” in a Bachelor of Education program at an Ontario university. The 53 participants selected for this study opted to teach a mathematics and coding lesson as part of a final assignment in the course. The study employed a constructivist theoretical framework, qualitative research methods, and reflexive thematic analysis. Four preservice turning points were identified, which involved shifts in perspectives about teaching and learning mathematics and coding. These turning points were analyzed using the lenses of (a) Seymour Papert’s theory of constructionism, and (b) Yasmin Kafai and Quinn Burke’s computational participation framework. By translating the findings as recommendations for practice, the study presents a model for teacher education that provides insights for researchers and teacher educators.
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 | 0,011 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,035 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».