Teachers' Perceptions of Using the Flipped Classroom Model in Inclusive High Schools
Notice bibliographique
Résumé
AbstractThe flipped classroom model is expanding rapidly in school districts across the United States and abroad. In a flipped classroom, students complete hands-on collaborative activities in class and watch instructional videos at home. This relatively new method has been tentatively linked to improved learning outcomes, especially for struggling students. However, there is limited literature on how teachers perceive the flipped classroom in inclusive settings. The purpose of this study was to fill that gap by exploring high school teachers’ perceptions to better understand how the flipped classroom model supports students in inclusive settings. The framework for this study was the concerns-based adoption model. The research design for this study was the basic qualitative design. The in-depth interview was used to investigate the perceptions of 11 high school teachers who used flipped classroom techniques in inclusive environments. Participants were from the United States of America, Australia, Canada, the UK, and Peru The thematic inductive technique was used to analyze data. Results indicated that although some students with disabilities struggled to focus, their teachers still found the flipped model effective. Teachers implemented accommodations to support those students. Results also indicated that teachers switched their roles, placing students at the center of their learning. At the students’ level, the flipped model gave them more responsibilities. This study contributed to social change by providing qualitative evidence for decision-makers and stakeholders to help them consider using the flipped model in inclusive settings. Future researchers may focus on obstacles related to the implementation of the flipped model.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».