Self-knowledge as a Potential Tool for Inclusive Education: Using a Case Study to Explore Self- Including Strategies
Notice bibliographique
Résumé
The goal of this study was to discover the self-including strategies among students with special learning needs in general education settings. An exploratory case study method and purposeful sampling were employed to render an in-depth understanding of the mechanism between self-knowledge and self-inclusion. We adopted Glaser’s coding approach for data analysis and administered member checking and peer briefing for ensuring descriptive accuracy and enhancing the validity of the findings. In addition to a series of interviews of the unique case identified for the study, we interviewed teachers and a parent for information triangulation. The findings show that self-inclusion is a complex process that involves both knowing and doing. One starts with constructing self-knowledge, fueling the urge for initiating advocacy actions, which in turn strengthen the self-knowledge formation. Three self-including strategies for Self-knowledge Construction are (1) Collecting Self-related Information, (2) Equipping with Learning Skills, and (3) Validating Academic and Social-emotional Competence. Two self-including strategies for Advocacy Actions are (1) Advocating for Self and (2) Advocating for Others. The data also suggests Direct Supports and Personal Intelligences as constant contributing factors to the self-inclusion process. The study will lend further credence to the development of curriculum and psychometric scales.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,009 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».