MétaCan
Menu
Retour à la cohorte
Enregistrement W2066079995 · doi:10.1080/13892240701820207

Introducing Participatory Curriculum Development in China's Higher Education: The Case of Community-Based Natural Resource Management

2008· article· en· W2066079995 sur OpenAlexaff
Gubo Qi, Xiuli Xu, Ting Zuo, Xiaoyun Li, Chen Keke, Ji Miao, Lin Liu, Mao Miankui, LI Jing-song, Yiching Song, Long Zhipu, Min Lu, Yuan Juanwen, Ronnie Vernooy

Notice bibliographique

RevueThe Journal of Agricultural Education and Extension · 2008
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Practises and Engagement
Établissements canadiensInternational Development Research Centre
Organismes subventionnairesnon disponible
Mots-clésCurriculumChinaNatural resource managementCitizen journalismSociologyNatural resourceCurriculum developmentPedagogyProcess (computing)Professional developmentParticipatory action researchEngineering ethicsPolitical scienceEngineeringComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract This article describes and reflects on a novel course developed at China Agricultural University to introduce Community-Based Natural Resource Management at the postgraduate level. This course, part of a larger educational renewal initiative addressing the current reform of China's higher education system, was developed through a participatory curriculum development methodology bringing together teachers and researchers from five different organizations, as well as a dynamic group of MSc and PhD students. The course development process and the actual delivery in the classroom and in the field were guided by insights from adult teaching and learning theory. These were adapted to the Chinese reality. Results assessed to date from the experimentation with this completely new approach in China encompass conceptual, attitudinal, methodological, and practical changes. The experiences and insights accumulated so far serve as entry points for the expansion of participatory curriculum development practice in China. They also provide a ground for deepening learning theory.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,663
Score d'incertitude au seuil0,973

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,335
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Agricultural Education and ExtensionMême sujetHigher Education Practises and EngagementTravaux en français237 207