CHALLENGES ENCOUNTERED BY NON-SCIENCE TEACHERS IN TEACHING BASIC SCIENCE AND TECHNOLOGY IN THE NIGERIAN UNIVERSAL BASIC EDUCATION (UBE) CURRICULUM
Notice bibliographique
Résumé
This study was aimed at finding out the attitude of non-science specialist teachers to teaching of basic science and technology and the difficulties they encounter while teaching the subject. The descriptive survey involved 126 Primary six non-science specialist teachers in Primary schools in Anambra State of Nigeria. The study was guided by two research questions. A structured 20-item questionnaire developed by the researchers was used to collect data. Data were analyzed using frequencies and mean. Results show that: (1) Non-science specialist teachers teaching basic science and technology have positive attitude towards the subject. (2) The teachers do not find it difficult to comprehend basic science and technology textbooks, they can operate the equipment and perform simple experiments, they can improvise the equipment and materials they use in teaching and they understand the concepts involved. (3) Inadequate teaching materials, pupils not being able to understand science and technology lessons, difficulty in explaining some concepts in mother tongue and teacher training program being mainly theory-oriented were some of the problems encountered by the non-science specialist teachers in teaching basic science and technology. Based on these results, recommendations were made some of which are that the serving teachers should be provided with regular in-service training through workshops, all pre-service (trainee) teachers should be exposed to the rudiments or introductory aspects of science and technology, and efforts should be made to create Igbo names for the science and technology terminologies and equipments to enable the teachers to communicate ideas to the pupils clearly.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».