Mathematics, Science, and Technology in Secondary Schools: Do Gender and Region Make a Difference?
Notice bibliographique
Résumé
This study examines possible interaction effects of gender and region (urban vs. rural) on student beliefs about women in math and science, their attitudes towards math and science, and their confidence in the use of technology. A secondary purpose of this study is to examine possible differences in confidence of using technology between high school students who consider math-related or science-related careers and those who do not. The data collected from an anonymous survey of 450 secondary students were analyzed. The results showed interaction effects of gender and region on student beliefs and attitudes. First, the gender differences in students’ beliefs about women in math and science changes significantly depending on the location of the school. Second, when region was considered, significant effects on students’ choice of mathematics- and science-related careers were identified. Urban students, regardless of their gender, were more likely to consider careers related requiring knowledge of science or mathematics than rural students. Résumé : Cette étude examine les effets d’interaction possibles du genre et de la région (la ville ou la banlieue) sur les croyances des étudiants à propos des femmes dans le domaine des mathématiques et des sciences, leurs attitudes envers les mathématiques et les sciences et leur confiance en l’utilisation de la technologie. Un objet secondaire de cette étude consiste à examiner les différences possibles en la confiance en l’utilisation des technologies entre les étudiants du secondaire qui envisagent des carrières dans le domaine des mathématiques ou des sciences et entre les étudiants pour qui ce n’est pas le cas. Nous avons analysé les données recueillies dans le cadre d’un sondage anonyme effectué auprès de 450 étudiants du secondaire. Les résultats ont indiqué des effets d’interaction du genre et de la région sur les croyances et les attitudes des étudiants. Tout d’abord, les différences de genre chez les croyances des étudiants relatives aux femmes en mathématiques et en sciences changent grandement selon l’emplacement de l’école. Ensuite, lorsqu’on tient compte de la région, nous avons observé des effets importants sur le choix par les étudiants de carrière en mathématiques ou en sciences. Les étudiants des villes, peu importe leur genre, envisagent plus souvent des carrières dans les domaines des sciences ou des mathématiques que les étudiants des banlieues.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».