Translating Neural Plasticity into Pedagogy: The Neuro-embedded Lesson Design Framework
Notice bibliographique
Résumé
Early childhood is marked by heightened neural plasticity, yet the translation of developmental neuroscience into teacher education remains limited. This study evaluated the Neuro-embedded Lesson Design (NLD) module, designed to strengthen pre-service teachers’ integration of neuroscience evidence into lesson planning. A quasi-experimental pre–post design was conducted with 29 early childhood education undergraduates in Thailand. The intervention combined neuroscience briefs, evidence-to-lesson alignment mapping, and micro-teaching with reflective practice. Instruments included a knowledge test, an NLD rubric, a metacognition scale, and a recognition-of-evidence-value (RvA) measure. Results revealed significant gains in neuroscience knowledge (F(1,27) = 42.51, p < .001, η² = .61) and in NLD quality (F(1,27) = 58.73, p < .001, η² = .68). Moreover, metacognitive awareness (β = .42) and RvA (β = .38) significantly predicted lesson quality, jointly explaining 31% of the variance. These findings indicate that the NLD module advances a translational framework embedding neuroscience into teacher education, with metacognition and epistemic valuation emerging as critical mediators. Beyond demonstrating knowledge gains, the study highlights theoretical, practical, and policy pathways for bridging research and pedagogy in early childhood education.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».