Harnessing Microlearning for Effective Professional Development to Enhance Early Years Alphabet Instruction
Notice bibliographique
Résumé
Learning the alphabet is often regarded in North American contexts as a quintessential accomplishment of kindergarten (Evans et al., 2006; Foulin, 2005), but teaching and learning the alphabet are complex. The literature demonstrates that educators struggle to effectively teach the alphabet, in part because evidence-based research about supporting foundational literacy skills is not making its way into their practice. The obstacles to educators accessing professional learning that will support them in changing their practice are varied but include a lack of guidance on and consistent access to evidence-based teacher-friendly resources, as well as a lack of funding and release time (Bill & Melinda Gates Foundation, 2014; Ontario Human Rights Commission, 2022). However, the global COVID-19 pandemic provided an impetus for digital innovation, opening the doors to potentially reshape the professional development landscape for educators and offer opportunities for technological advancements and innovative learning approaches like microlearning. This study investigated how technologically-mediated professional learning modules enhanced Ontario educators’ knowledge of evidence-based alphabet instruction. An extensive analysis of the existing literature on alphabet-knowledge learning and instruction was conducted to determine validated research-based content and practices. This analysis informed the development of four microlearning modules, which 16 Canadian teachers then tested. Participating teachers completed pre- and post-intervention surveys and a two-month follow-up survey. Responses to post-intervention survey questions showed that participants overwhelmingly liked the microlearning format. Half of the respondents felt they were applying course content in their teaching. Thematic analysis indicated that: 1) teachers recalled information about tangible materials more than information about teaching methods; and 2) teachers experience a variety of time tensions related to professional learning. The findings present the opportunity to redefine alphabet teaching, span the theory-practice divide in early years literacy instruction, and offer innovative solutions to traditional professional development challenges.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».