MétaCan
Menu
Retour à la cohorte
Enregistrement W2103198653 · doi:10.55016/ojs/ajer.v55i4.55338

Assessment Techniques Corresponding to Scientific Texts in Commercial Reading Programs: Do They Promote Scientific Literacy?

2010· article· en· W2103198653 sur OpenAlexaffvenueabout
Linda M. Phillips, Stephen P. Norris, Martha L. Smith, Jodi Buker, Chandra Kasper

Notice bibliographique

RevueAlberta Journal of Educational Research · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueScience Education and Pedagogy
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSummative assessmentFormative assessmentScientific literacyLiteracyReading (process)PsychologyVariety (cybernetics)Mathematics educationQuality (philosophy)Science educationMedical educationPedagogyComputer sciencePolitical scienceMedicine

Résumé

récupéré en direct d'OpenAlex

This research is part of a larger study of commercial reading programs used in Canada in grades 1-6. The specific purposes of the results reported here were to identify and quantify the assessment techniques suggested for the selections that contain scientific content, to show how the assessments differ by grade, to evaluate the nature and quality of the assessments, and to examine the extent to which the assessments help foster scientific literacy. It was found that the assessments occurred in six major forms and employed about a dozen assessment tools that engage students in nearly 20 tasks. Such variety is endorsed in both literacy and science education position statements. The assessments showed some weak trends by grade, but primarily left the purpose of the assessments to teachers’ judgment. The consequence is that teachers probably will choose the assessments for formative rather than summative evaluation, an approach also endorsed by literacy and science education policy statements. Hardly any of the assessments focused on the specificities of learning to read texts that are scientific such as interpreting descriptions of methods and research findings and thus had limited use in promoting this particular aspect of scientific literacy.

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)0,022
score de la tête « metaresearch » (Gemma)0,020
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,795
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0220,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,131
Tête enseignante GPT0,543
Écart entre enseignants0,412 · 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.

Devis d'étudeSans objet
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

Citations4
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueAlberta Journal of Educational ResearchMême sujetScience Education and PedagogyTravaux en français237 207