Fen ve Matematik Alanları Öğretmen Adaylarında Bilgisayar Okuryazarlığı
Notice bibliographique
Résumé
Günümüz ve geleceğin öğretmenleri, insan hayatının büyük bir parçası olan ve eğitimdekietkisi iyice anlaşılmış olan bilgisayarları etkili ve verimli bir şekilde kullanabilmelidir. Yapılançalışmanın amacı, fen ve matematik alanları eğitimi bölümünde okuyan son sınıf öğretmenadaylarının bilgisayar okuryazarlığını bir ölçek yardımıyla ölçmek ve gruplar arasındaki farklılıklarıortaya koyarak gerekli düzenlemelerin yapılmasını önermektir. Çalışma, 2006-2007 öğretim yılı güzdöneminde Gazi Üniversitesi Fen ve Matematik Alanları Eğitimi Bölümü’nde beşinci sınıfta okuyan24 matematik öğretmenliği, 28 fizik öğretmenliği, 32 kimya öğretmenliği ve 12 biyoloji öğretmenliğiöğrencisi ile yapılmıştır. Çalışmada veri toplama aracı olarak Robin Kay tarafından Torontoüniversitesi’nde 60 öğrenci ile geliştirilmiş ve daha sonra 383 bireye uygulanmış olan BilgisayarOkuryazarlığı Ölçeği Türkçe’ye çevrilerek kullanılmıştır. Ölçek sonuçlarına göre öğretmenadaylarının bilgisayar ile ilgili temel becerileri en yüksek iken yazılım becerilerine başvurma ikincisırada, bilgisayar farkındalığı üçüncü sırada ve programlama ise son sırada yer almıştır. Şubelerinölçekten aldığı puanlar kıyaslandığında ise sadece programlama bölümünde anlamlı farklılıklaroluştuğu ve bu farklılığın matematik öğretmenliği ile fizik, kimya ve biyoloji öğretmenliği arasındave matematik öğretmenliğinin lehine olduğu gözlenmiştir. Gelecekte büyük bir önem kazanacak olaneğitim yazılımları ve programlama alanında öğretmen yetiştiren kurumlarda bu derslere ağırlıkverilmeli ve eğitim programlarına katılmalıdır. Ayrıca ülke okullarının bilgisayarla donatıldığıgünümüz koşullarında öğretmen yetiştiren şubelerde bilgisayar destekli öğretim ile ilgili özel bir derseyer verilmelidir.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».