Pastaruoju metu daug dėmesio skiriama pedagogų rengimui. Nors požiūriai skiriasi, visas pedagoginių studijų programas struktūriškai vienija studijų metais atliekama pedagoginė praktika (Kosnik et al., 2015; Strutchens, 2017). Lietuvos Respublikos švietimo ir mokslo ministerija Pedagogų rengimo reglamente numatė, kad pedagoginė praktika turi sudaryti ne mažiau kaip 30 studijų kreditų (Lietuvos Respublikos švietimo ir mokslo ministras, 2018). Taigi pedagoginė praktika sudaro reikšmingą pedagoginių studijų programų dalį ir tuo parodoma jos svarba būsimųjų mokytojų profesiniam pasirengimui.

Studentų patirtys ir iššūkiai per pedagoginę praktiką neretai tampa ir mokslinio tyrimo objektu (Livingston & Flores, 2017). Tyrimais susitelkiama tiek į bendresnius klausimus, pavyzdžiui, kaip studentai apmąsto savo patirtį praktikos vietoje (pvz., Bjerke & Solomon, 2019; Caires et al., 2012), tiek į konkretesnius klausimus, pavyzdžiui, kaip studentams sekasi per pamokas siekti ugdomųjų tikslų (pvz., Cavanagh et al., 2019; da Ponte et al., 2017). Šiems klausimams atsakyti pasirenkamos ir kokybinio, ir kiekybinio tyrimo strategijos. Apie studentų patyrimą bene dažniausiai sužinoma analizuojant jų praktikos dienoraščius ar refleksijas (pvz., Méndez López, 2020; Ryan & Healy, 2009), rečiau – atliekant su studentais interviu praktikai pasibaigus (pvz., Bjerke & Solomon, 2019; Gallchóir et al., 2019), nagrinėjant simuliacinių situacijų prieš praktiką (pvz., Dalinger et al., 2020) ar realiai vestų pamokų (pvz., Aalto et al., 2019; Osmanoglu, 2016) vaizdo ar garso įrašus. Tokiu būdu sukaupti duomenys turi tiek mokslinę, tiek praktinę vertę. Autentiška informacija apie studentų asmeninę patirtį leidžia ne tik išsamiai analizuoti kiekvieną atvejį, bet ir ugdo studentų gebėjimą reflektuoti. Tačiau tokia individuali prieiga, kai tyrimo instrumentu tampa pats tyrėjas (Creswell & Creswell, 2018), reikalauja didelių laiko išteklių, galima įvertinti gana nedidelį skaičių studentų (Stephenson, 2017), be to, studentų gebėjimas reflektuoti gali reikšmingai skirtis (Cengiz et al., 2014). Kai tyrimo klausimui nereikia tokios giluminės analizės, tyrėjai renkasi kiekybinį tyrimo dizainą. Šiuo atveju studentams dažniausiai pateikiami savistatos klausimynai (pvz., Caires et al., 2012; Maulana et al., 2015), kurie leidžia sąlygiškai nedidelėmis sąnaudomis surinkti informaciją iš didelio kiekio asmenų apie jų nuostatas, įsitikinimus, savivoką, žinias ir kt. (Stephenson, 2017).

Mes derinome kokybinę ir kiekybinę tyrimo ir duomenų analizės strategijas, taigi pasirinkome mišrų tyrimo dizainą (Creswell & Plano Clark, 2018). Pirmiausia išsamiai išanalizavome studentų pedagoginių praktikų refleksijas (Lazdauskas ir Saikauskienė, 2015), vėliau stebėjome studentų patirčių dinamiką skirtingais praktikos etapais (Saikauskienė ir Lazdauskas, 2017), galiausiai, remdamiesi studentų pedagoginės praktikos refleksijomis, sudarėme teiginių rinkinį, kuris leistų kiekybiškai įvertinti praktikos metu studentų patiriamus sunkumus. Šiame straipsnyje pristatomo tyrimo tikslas – patikrinti pedagoginės praktikos metu studentų patiriamų sunkumų klausimyno struktūros psichometrines savybes.

Metodika

Tyrimo dalyviai

Tyrime dalyvavo 120 pedagoginę praktiką atlikusių pedagogikos studijų studentų. Dešimties dalyvių duomenys neįtraukti į tolesnę analizę dėl studentų turimos pedagoginio darbo patirties, todėl šio tyrimo galutinę imtį sudaro 110 tyrimo dalyvių, iš kurių 96 moterys ir 14 vyrų. Vidutinis tyrimo dalyvių amžius – 24,28 m. (standartinis nuokrypis 5,03 m.). 98 studentai studijavo nuolatine, 12 studentų – ištęstine studijų forma. Studentų dalyvavimas šiame tyrime buvo savanoriškas.

Tyrimo instrumentai

Anksčiau atliktais tyrimais (Lazdauskas ir Saikauskienė, 2015; Saikauskienė ir Lazdauskas, 2017) buvo išskirtos septynios sritys sunkumų, su kuriais studentai dažniausiai susiduria per pedagoginę praktiką: 1) medžiagos paieškos ir atrankos, 2) metodų parinkimo, 3) klasės valdymo, 4) žinių trūkumo, 5) emocijų, 6) laiko valdymo ir 7) organizacinių sunkumų. Šių sričių pagrindu sudarytas 20 teiginių rinkinys, kuriuo prašoma studentų įvertinti savo patirtį penkių balų skale, kai 1 balas reiškia, kad patirtis visiškai nebūdinga, o 5 balai – labai būdinga. Papildomai tyrimo dalyvių buvo prašoma nurodyti amžių, lytį, studijų formą, pedagoginio darbo patirtį. Teiginių sąrašas pateikiamas straipsnio priede. Atskirų sričių sunkumų įverčių vidurkiai apskaičiuojami remiantis septynių klasterių modeliu, bendras sunkumų įvertis – remiantis dviejų klasterių modelio bendrųjų sunkumų skale. Šio straipsnio rezultatų dalyje pristatomos klausimyno struktūros psichometrinės savybės.

Duomenų analizė

Klausimyno struktūros psichometrinėms savybėms patikrinti buvo pasitelktas hierarchinės teiginių klasterių analizės algoritmas ICLUST. Nors klausimynų struktūrai įvertinti įprasta rinktis faktorių analizę, klasterių analizė suteikia daugiau informacijos apie instrumento vidinę struktūrą (Cooksey & Soutar, 2006), be to, geriau nei faktorių analizė tinka, kai teiginių yra 10–20, jų ryšys nėra stiprus ( iki 0,50), o tyrimo imtis nėra didelė (Revelle, 1978). Mūsų turima medžiaga tinka pagal visus šiuos kriterijus – tyrimo imtis nėra didelė (. = 110), klausimyną sudaro 20 teiginių, o atskirų teiginių ryšys yra silpnas (vos keli koeficientai viršija 0,50 ribą, žr. 1 lentelę). Tyrimo duomenų analizė atlikta laikantis Revelle (1978, 1979, 2020) rekomendacijų: 1) sudaryti teiginių tarpusavio panašumo matricą; 2) rasti matricoje panašiausių teiginių poras; 3) sujungti šiuos du teiginius į naują kintamąjį; 4) įvertinti jungtinių kintamųjų panašumą su likusiais teiginiais ir (ar) kintamaisiais; 5) kartoti 2–4 žingsnius visomis įmanomomis variacijomis; 6) baigti procedūrą, kai nebelieka kintamųjų arba kai yra pasiektos geriausios kokybės kriterijų vertės. Dėl klausimyno pobūdžio (tvarkos skalės) analizė atlikta remiantis polichorine koreliacijų matrica (Ekström, 2011; Salkind, 2010). Klasterių (skalių) kokybė apibūdinama Cronbach alfa ir Revelle beta rodikliais (Zinbarg et al., 2005). Cronbach alfa rodiklis yra tinkamas, kai jo vertė yra 0,70 ir didesnė (Kline, 2011; Nunnally & Bernstein, 1994), o Revelle beta žemiausia rekomenduojama vertė yra 0,50 (Cooksey ir Soutar, 2006). Bendras duomenų tinkamumas modeliams įvertintas pagal klasterių dermės (angl. cluster fit) ir modelio dermės (angl. pattern fit) su duomenimis koeficientus bei RMSR (angl. root mean square residual) vertę. Statistinė analizė atlikta R programos versija 1.2.5042 (RStudio Team, 2020), naudojant psych paketo 1.9.12 versiją (Revelle, 2019).

Rezultatai

Pasitelkę hierarchinę teiginių klasterių analizę patikrinome du modelius – septynių klasterių ir dviejų klasterių. Analizės schema vaizduojama medžio diagramoje (pav.).

Septynių klasterių modelis

Šios analizės metu nuosekliai stebėjome kiekvieną klasterizavimo žingsnį ir baigėme naujų klasterių sudarymą 13-ame žingsnyje, kai buvo pasiekti optimalūs klasterių kokybės rodikliai. Išskirti septyni klasteriai: informacijos paieškos (K1), ugdymo metodų parinkimo (K10), klasės valdymo (K13), dalyko ir pedagogikos žinių trūkumo (K3), emocijų (K4), laiko valdymo (K12) ir organizacinių sunkumų (K11).

Klasteris K1 sudarytas iš dviejų teiginių: „Ruošiantis pamokoms man buvo sunku ieškoti informacijos tam tikra tema“ (T1) ir „Ruošiantis pamokoms man buvo sunku rasti patikimą ir naudingą informaciją“ (T2). Šių teiginių junginio Cronbach alfa ir Revelle beta yra 0,75. Pavadinome šį klasterį „informacijos paieškos sunkumai“.

Klasterio K10 turinį sudaro trys teiginiai. Pirmiausia pagal koreliacijos koeficientų panašumą buvo sujungti du teiginiai (K6): „Ruošiantis pamokoms man buvo sunku parinkti / derinti įvairius metodus“ (T3) ir „Ruošiantis pamokoms man buvo sunku parinkti metodus naujai („teorinei“) medžiagai dėstyti“ (T4). Kitame analizės žingsnyje klasterizavimo algoritmas prijungė dar vieną teiginį – „Ruošiantis pamokoms man buvo sunku parinkti metodus („praktinius“) išdėstytai medžiagai įtvirtinti“ (T5). Gauto aukštesniojo lygmens klasterio (K10) Cronbach alfa yra 0,77, Revelle beta – 0,69. Šį klasterį pavadinome „ugdymo metodų parinkimo sunkumai“.

Klasteris K13 didžiausias, jo turinį sudaro penki teiginiai. Pirmiausia pagal koreliacijos koeficientų panašumą buvo sujungti du teiginiai (K2): „Pamokų metu man buvo sunku užmegzti kontaktą su mokiniais“ (T6) ir „Pamokų metu man buvo sunku įtraukti mokinius į veiklą“ (T8). Kitame analizės žingsnyje prie šio klasterio buvo prijungtas teiginys – „Pamokų metu man buvo sunku išlaikyti / valdyti mokinių dėmesį“ (T7). Šiai klasterių grupei buvo priskirtas dar vienas klasteris (K7), sudarytas iš teiginių: „Pamokų metu nežinojau, kaip reaguoti į netinkamą mokinių elgesį, replikas“ (T9) ir „Pamokų metu man buvo sunku palaikyti drausmę klasėje“ (T10). Galiausiai klasterizavimo algoritmas sujungė trijų teiginių (T6, T7 ir T8) klasterį (K9) ir dviejų teiginių (T9 ir T10) klasterį (K7) ir buvo gautas naujas aukštesniojo lygmens klasteris (K13), kurio Cronbach alfa yra 0,81, Revelle beta – 0,72. Pavadinome šį klasterį „klasės valdymo sunkumai“.

Klasterį K3 sudaro du teiginiai: „Praktikos metu jaučiau, kad man trūksta dėstomo dalyko žinių“ (T11) ir „Praktikos metu jaučiau, kad man trūksta pedagogikos žinių“ (T12). Šių teiginių klasterio Cronbach alfa ir Revelle beta yra 0,67. Šį klasterį pavadinome „dalyko ir pedagogikos žinių trūkumas“.

Dar vienas dviejų teiginių klasteris – K4. Jis apima teiginius: „Man buvo baisu kalbėti prieš auditoriją“ (T14) ir „Pamokų metu nerimavau, kad pamiršiu tai, ką turiu pasakyti“ (T15). Šių teiginių klasterio Cronbach alfa ir Revelle beta yra 0,75. Pavadinome šį klasterį „emocijų sunkumai“.

Klasteris K12 apima tris teiginius. Pirmiausia pagal koreliacijos koeficientų panašumą buvo sujungti du teiginiai (K5): „Ruošiantis pamokoms man buvo sunku suplanuoti pamokos laiką“ (T16) ir „Vedant pamokas man buvo sunku laikytis suplanuoto laiko“ (T17). Kitame analizės žingsnyje klasterizavimo algoritmas prijungė dar vieną teiginį – „Planuojant pamokas pasiruošdavau per mažai medžiagos ir likdavo neišnaudoto pamokos laiko“ (T18). Gauto aukštesniojo lygmens klasterio (K12) Cronbach alfa yra 0,70, Revelle beta – 0,62. Pavadinome šį klasterį „laiko valdymo sunkumai“.

Klasterį K11 taip pat sudaro trys teiginiai. Pirmiausia pagal koreliacijos koeficientų panašumą buvo sujungti du teiginiai (K8): „Pamokų metu nežinojau atsakymų į mokinių užduodamus klausimus“ (T13) ir „Man buvo sunku rasti bendrą kalbą su mentoriumi“ (T19). Kitame analizės žingsnyje klasterizavimo algoritmas prie šio klasterio prijungė dar vieną teiginį – „Nepakankami mokyklos ištekliai (vadovėlių, technikos ir kt.) trukdė tinkamai vykdyti veiklą“ (T20). Gauto aukštesniojo lygmens klasterio (K11) Cronbach alfa yra 0,66, Revelle beta – 0,60. Šį klasterį pavadinome „organizaciniai sunkumai“.

Apibendrinant reikia pažymėti, kad septynių klasterių modelyje klasterių Cronbach alfa vertės yra nuo 0,66 iki 0,81, Revelle beta – nuo 0,60 iki 0,75. Taigi beta vertės yra pakankamos, o dviejų klasterių alfa vertės nors ir nesiekia 0,70, yra arti šios ribos, be to, koeficientų alfa ir beta skirtumas nė viename klasteryje nėra didesnis už kritinį 0,10. Šie rezultatai rodo pakankamą patikimumą ir gerą teiginių homogeniškumą. Visų teiginių svorių įverčiai klasteriuose dideli – nuo 0,69 iki 0,81 (2 lentelė), o klasterių tarpusavio koreliacijos silpnos – nuo 0,17 iki 0,43 ir neviršija 0,80 kritinės ribos (3 lentelė), todėl galima teigti, kad klasteriai gali būti interpretuojami kaip atskiri teiginių rinkiniai (skalės). Bendra duomenų atitiktis klasteriams ir modeliui atitinkamai yra 0,86 ir 0,97, o RMSR – 0,06, ir tai liudija geras bendrąsias modelio charakteristikas.

Dviejų klasterių modelis

Patikrinome alternatyvų modelį, kuriuo ieškojome mažiausio įmanomo klasterių skaičiaus. Tam prireikė 19-os žingsnių. Paaiškėjo, kad vieno klasterio modelio (K19), apjungiančio visus klausimyno teiginius, savybės nepakankamos – nors Cronbach alfa koeficientas yra didelis (0,86), Revelle beta koeficientas gana mažas (0,64), o skirtumas tarp šių rodiklių pernelyg didelis (> 0,10). Taigi toliau buvo įvertintas dviejų klasterių modelis. Nuo vieno klasterio modelio atsiskyrė dviejų teiginių (T1 ir T2) klasteris (K1) – „informacijos paieškos sunkumai“. Šių teiginių klasterio Cronbach alfa ir Revelle beta yra 0,75. Visi kiti klausimyno teiginiai (T3–T20) išliko antrajame klasteryje (K18), kurį pavadinome „bendrųjų sunkumų“. Pastarojo klasterio Cronbach alfa yra 0,85, o Revelle beta – 0,75. Kiti klasterizavimo sprendimai (K14–K17) nepasiteisino.

Reikia pažymėti, kad bendrosios dviejų klasterių modelio savybės blogesnės už septynių klasterių modelio (bendra duomenų atitiktis klasteriams ir modeliui atitinkamai yra 0,69 ir 0,89, o RMSR yra 0,12), tačiau klasterių patikimumo rodikliai geri: Cronbach alfa vertės yra 0,75 ir 0,85, abiejų klasterių Revelle beta yra 0,75, o šių koeficientų skirtumas klasteriuose nėra didesnis už kritinę 0,10 vertę. Be to, teiginių svorių įverčiai (2 lentelė) viename klasteryje (K1) yra dideli (0,89), kitame (K18) – patenkinami (nuo 0,36 iki 0,72), o klasterių tarpusavio koreliacija silpna (0,36) (3 lentelė) ir liudija atskirų skalių egzistavimą.

Diskusija ir išvados

Hierarchinės teiginių klasterių analizės būdu sudarėme du modelius – septynių ir dviejų klasterių. Septynių klasterių modelio struktūros psichometrinės charakteristikos geros – teiginiai pakankamai dera tarpusavyje, egzistuoja atskiros skalės, bendrosios modelio savybės tinkamos. Tik dviejų skalių Cronbach alfa koeficientas nesiekia užsibrėžtos 0,70 ribos, nors yra arti jos. Žemos pastarojo patikimumo rodiklio vertės galėjo būti nulemtos nedidelio teiginių skaičiaus skalėse (Ercan et al., 2007; Nunnally & Bernstein, 1994), tačiau klasterinėje analizėje reikšmingu rodikliu laikomos ne tik pavienės patikimumo koeficientų reikšmės, bet ir santykis tarp rodiklių alfa ir beta (Cooksey & Soutar, 2006), o jis neviršijo nustatytos ribos. Kita vertus, tai, kad kelias skales sudaro tik po du teiginius, laikome reikšmingu klausimyno ribotumu. Nors teiginių kiekis skalėse yra diskusijų objektas ir galutinis sprendimas priklauso nuo to, kiek teiginiai išpildo vertinamą sritį (Worthington & Whittaker, 2006), vis dėlto ateityje klausimyno skales reikėtų papildyti naujais teiginiais.

Svarbiu rezultatu laikome septynių klasterių modelio dermę su pradine idėja, kad egzistuoja septynios pedagoginės praktikos metu patiriamų sunkumų sritys. Netikėta buvo tai, kad teiginys „Pamokų metu nežinojau atsakymų į mokinių užduodamus klausimus“ klasterizavimo algoritmo buvo priskirtas organizacinių sunkumų klasteriui, nors pagal pradinį sumanymą jis turėjo priklausyti žinių trūkumo sričiai. Šio teiginio pagrindas buvo studentų refleksijose minimi sunkumai, kai jie nežinojo, kaip atsakyti į mokinių klausimus apie tai, ar galima anksčiau išeiti iš pamokos arba neatlikti užduoties, todėl algoritmo „sprendimas“ pateisinamas. Kad ateityje būtų išvengta dviprasmybės, šį teiginį derėtų patikslinti, priklausomai nuo to, kokios srities informacijos tikimasi (pvz., „Pamokų metu nežinojau atsakymų į mokinių klausimus, susijusius su pamokos tema“ arba „Nežinojau atsakymų į mokinių klausimus, susijusius su mokyklos taisyklėmis“).

Mūsų pasiūlyta alternatyva septynių klasterių modeliui – dviejų klasterių modelis. Nors kai kurios bendros jo savybės yra prastesnės už septynių klasterių modelio, patikimumo (Cronbach alfa ir Revelle beta) rodikliai yra geri. Manome, dviejų ir septynių klasterių modeliai turi skirtingą taikomąją vertę. Dviejų klasterių modelis geriau tinka, kai norima įvertinti bendruosius studentų pedagoginės praktikos metu patiriamus sunkumus (pavyzdžiui, siekiant palyginti, kaip keičiasi sunkumai per skirtingas praktikos pakopas ar kaip skiriasi skirtingų studijų programų studentų patiriami sunkumai), o septynių klasterių modelis tinkamesnis siekiant išsiaiškinti atskiras sunkumų sritis ir renkantis intervencijas (pavyzdžiui, sprendžiant, kurias pedagoginių studijų programos turinio sritis reikėtų koreguoti).

Septynių klasterių modelyje mūsų išskirtas sunkumų sritis dažnai mini ir kiti autoriai, tačiau turime pastebėti, kad atsiranda vis naujų iššūkių ir mokytojas turi gebėti veikti sudėtingomis aplinkybėmis (Flores, 2020). Pastaruoju metu daug dėmesio skiriama išaugusios gyventojų migracijos pasekmėms edukaciniam kontekstui analizuoti. Teigiama, kad mokytojams gali būti sunku vykdyti savo tiesioginę veiklą dėl kalbos barjero (Aalto et al., 2019) ar tarpkultūrinių kompetencijų trūkumo (McBride et al., 2020). Kita aktualija – nuotolinis ugdymas(is). Nepakankami įgūdžiai dirbti nuotoliniu būdu (Mumford & Dikilitas, 2020) ir naudotis kitomis komunikacinėmis technologijomis (Sánchez-Prieto et al., 2019) gali tapti rimtu iššūkiu mokytojams. Turime pažymėti ir tai, kad mūsų klausimyno teiginiai daugiausia sutelkti į pagrindinę veiklą – pasiruošimą pamokoms ir jų vedimą, tačiau tai neapima visos per praktiką studentų vykdomos veiklos. Todėl ateityje vertėtų apmąstyti galimybę papildyti klausimyno struktūrą naujais teiginiais ar sunkumų sritimis.

Apibendrindami galime teigti, kad 20-ties klausimų apjungimas į septynis klasterius (skales) leidžia pasiekti geriausių klausimyno psichometrinių savybių ir patikimai įvertinti pedagoginės praktikos metu studentų patiriamus sunkumus. Dviejų klasterių modelio savybės yra patenkinamos, o šio modelio 18-os teiginių bendrųjų sunkumų skalė gali būti pasirinkta kaip alternatyva, norint apskaičiuoti bendrą pedagoginės praktikos metu studentų patiriamų sunkumų įvertį.

Literatūra

Aalto, E., Tarnanen, M., & Heikkinen, H. L. (2019). Constructing a pedagogical practice across disciplines in pre-service teacher education. Teaching and Teacher Education, 85, 69–80. https://doi.org/10.1016/j.tate.2019.06.006

Bjerke, A. H., & Solomon, Y. (2019). Developing self-efficacy in teaching mathematics: Pre-service teachers’ perceptions of the role of subject knowledge. Scandinavian Journal of Educational Research. https://doi.org/10.1080/00313831.2019.1595720

Caires, S., Almeida, L., & Vieira, D. (2012). Becoming a teacher: Student teachers’ experiences and perceptions about teaching practice. European Journal of Teacher Education, 35(2), 163–178. http://dx.doi.org/10.1080/02619768.2011.643395

Cavanagh, M., Barr, J., Moloney, R., Lane, R., Hay, I., & Chu, H. (2019). Pre-service teachers’ impact on student learning: Planning, teaching, and assessing during professional practice. Australian Journal of Teacher Education, 44(2), 66–81. http://dx.doi.org/10.14221/ajte.2018v44n2.5

Cengiz, C., Karataş, F. Ö, & Yadigaroğlu, M. (2014). The investigation of pre-service science teachers’ reflective journals. Procedia - Social and Behavioral Sciences, 116, 3297–3302. https://doi.org/10.1016/j.sbspro.2014.01.751

Cooksey, R. W., & Soutar, G. N. (2006). Coefficient beta and hierarchical item clustering: An analytical procedure for establishing and displaying the dimensionality and homogeneity of summated scales. Organizational Research Methods, 9(1), 78–98. https://doi.org/10.1177/1094428105283939

Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE Publication.

Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE Publication.

da Ponte, J. P., Santos, L., Oliveira, H., Henriques, A. (2017). Research on teaching practice in a Portuguese initial secondary mathematics teacher education program. ZDM Mathematics Education 49, 291–303. https://doi.org/10.1007/s11858-017-0847-7

Dalinger, T., Thomas, K. B., Stansberry, S., & Xiu, Y. (2020). A mixed reality simulation offers strategic practice for pre-service teachers. Computers & Education, 144, e103696. https://doi.org/10.1016/j.compedu.2019.103696

Dumlao, R. P., & Pinatacan, J. R. (2019). From practice to writing: Using reflective journal instruction in enhancing pre-service teachers’ professional developments. International Journal of Instruction, 12(4), 459–478. https://doi.org/10.29333/iji.2019.12430a

Ekström, J. (2011). A generalized definition of the polychoric correlation coefficient. https://escholarship.org/uc/item/583610fv

Ercan, I., Yazici, B., Sigirli, D., Ediz, B., & Kan, I. (2007). Examining Cronbach alpha, theta, omega reliability coefficients according to sample size. Journal of Modern Applied Statistical Methods, 6(1), 291–303. https://doi.org/10.22237/jmasm/1177993560

Flores, M. A. (2020). Preparing teachers to teach in complex settings: Opportunities for professional learning and development. European Journal of Teacher Education, 43(3), 297–300. https://doi.org/10.1080/02619768.2020.1771895

Gallchóir, C. Ó., O’Flaherty, J., & Hinchion, C. (2019). My cooperating teacher and I: How pre-service teachers story mentorship during school placement. Journal of Education for Teaching, 45(4), 373–388. https://doi.org/10.1080/02607476.2019.1639258

Kline, R. B. (2011). Principles and practice of structural equation modeling (3rd ed.). Guilford Press.

Kosnik, C., Menna, L., Dharamshi, P., Miyata, C., Cleovoulou, Y., & Beck, C. (2015). Four spheres of knowledge required: An international study of the professional development of literacy/English teacher educators. Journal of Education for Teaching, 41(1), 52–77. https://doi.org/10.1080/02607476.2014.992634

Lazdauskas, T. ir Saikauskienė, A. (2015). Būsimųjų psichologijos mokytojų patiriami sunkumai pedagoginės praktikos metu [Difficulties experienced by prospective teachers of psychology during the teaching practice]. Pedagogika, 118(2), 18–30. http://dx.doi.org/10.15823/p.2015.02

Lietuvos Respublikos švietimo ir mokslo ministras (2018). Pedagogų rengimo reglamentas (2018 m. gegužės 29 d. įsakymas Nr. V-501). TAR, 8568.

Livingston, K., & Flores, M. A. (2017). Trends in teacher education: A review of papers published in the European journal of teacher education over 40 years. European Journal of Teacher Education, 40(5), 551–560. https://doi.org/10.1080/02619768.2017.1387970

Maulana, R., Helms-Lorenz, M., & van de Grift, W. (2015). Development and evaluation of a questionnaire measuring pre-service teachers’ teaching behaviour: A Rasch modelling approach. School Effectiveness and School Improvement, 26(2), 169–194. https://doi.org/10.1080/09243453.2014.939198

McBride, A. E., Bellamy, D. E., & Knoester, M. (2020). The theory and practice of developing intercultural competence with pre-service teachers on-campus and abroad. Theory Into Practice. https://doi.org/10.1080/00405841.2020.1739957

Méndez López, M. G. (2020). Emotions attributions of ELT pre-service teachers and their effects on teaching practice. Profile Issues in Teachers’ Professional Development, 22(1), 25–28. https://dx.doi.org/10.15446/profile.v22n1.78613

Mumford, S., & Dikilitas, K. (2020). Pre-service language teachers reflection development through online interaction in a hybrid learning course. Computer & Education, 144(1), e103706. https://doi.org/10.1016/j.compedu.2019.103706

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

Osmanoglu, A. (2016) Prospective teachers’ teaching experience: Teacher learning through the use of video. Educational Research, 58(1), 39–55. https://doi.org/10.1080/00131881.2015.1117321

Ryan, M., & Healy, A. (2009). It’s not all about school: Ways of disrupting pre-service teachers’ perceptions of pedagogy and communication. Teaching and Teacher Education, 25, 424–429. https://doi.org/10.1016/j.tate.2008.11.010

Revelle, W. (1978). ICLUST: A cluster analytic approach to exploratory and confirmatory scale construction. Behavior Research Methods & Instrumentation 10, 739–742. https://doi.org/10.3758/BF03205389

Revelle, W. (1979). Hierarchical cluster analysis and the internal structure of tests. Multivariate Behavioral Research, 14(1), 57–74. https://doi.org/10.1207/s15327906mbr1401_4

Revelle, W. (2020). An introduction to the psych package: Part II Scale construction and psychometrics. https://www.personality-project.org/

Revelle, W. (2019). psych: Procedures for personality and psychological research. https://CRAN.R-project.org/package=psych

RStudio Team. (2020). RStudio: Integrated development for R. RStudio, Inc. http://www.rstudio.com

Saikauskienė, A. ir Lazdauskas, T. (2017). Būsimųjų psichologijos mokytojų pedagoginės praktikos metu patiriamų sunkumų dinamika [Dynamics of difficulties experienced by prospective teachers of psychology during teaching practice]. Pedagogika, 125(1), 122–131. http://dx.doi.org/10.15823/p.2017.09

Salkind, N. J. (2010). Encyclopedia of research design. SAGE Publications, Inc. https://doi.org/10.4135/9781412961288

Sánchez-Prieto, J. C., Hernández-García, Á., García-Peñalvo, F. J., Chaparro-Peláez, J., & Olmos-Migueláñez, S. (2019). Break the walls! Second-Order barriers and the acceptance of mLearning by first-year pre-service teachers. Computers in Human Behavior, 95, 158–167. https://doi.org/10.1016/j.chb.2019.01.019

Stephenson, J. (2017). An overview of survey-based research carried out with Australian preservice teachers (1995–2015). Teaching and Teacher Education, 63, 159–167. https://doi.org/10.1016/j.tate.2016.12.016

Strutchens, M. E. (2017). Current research on prospective secondary mathematics teachers’ field experiences. In: The mathematics education of prospective secondary teachers around the world. ICME-13 topical surveys. Springer. https://doi.org/10.1007/978-3-319-38965-3_5

Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806–838. https://doi.org/10.1177/0011000006288127

Zinbarg, R. E., Revelle, W., Yovel, I., & Li, W. (2005). Cronbach’s α, Revelle’s β, and Mcdonald’s ωH: Their relations with each other and two alternative conceptualizations of reliability. Psychometrika, 70(1), 1–11. https://doi.org/10.1007/s11336-003-0974-7