The Trends in Authentic Learning Studies and the Role of Authentic Learning in Geography Education
Notice bibliographique
Résumé
Schools are the basic environments where learning takes place. The quality of these environments and acquirement of the knowledge and skills expected by societies have caused the disconnection between real life and the school. One of the main subjects of education circles in the 21st century has been what to do in order to ensure the connection between real life and education. In this context, the subject of the study is the authentic learning strategy which aims to bring real life subjects and students together. Although this strategy was first introduced in studies conducted in the United States of America in the 1990s, its philosophical roots go back to the 19th century. According to authentic learning, students’ encounter with real life situations or subjects in learning will be effective in raising effective citizens and increasing the quality of learning. The study focuses on how authentic learning is shaped in the literature and what place it takes in the Geography Curriculum of the Ministry of National Education (MoNE, 2018). The main features of authentic learning were determined, and a template was developed by means of the document review method and descriptive content analysis technique. The suitability of this template for the features was examined by reviewing the acquirements with the application principles of the GC 2018 and the explanations in the introduction section. In conclusion, it was determined that all the features required for authentic learning are present in the GC.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».