Related Data for: Developing a learning progression for climate change in geography education
Notice bibliographique
Résumé
Climate change is taught explicitly as a topic in the Singapore school geography curriculum. In responding to the city state’s desired outcomes of education and meeting its standards of twenty-first century competencies, it is important for learners to develop criticality and dispositions to engage climate change issues. Based on previous studies conducted by the PI over the last four years, it has been found that geography students have misconceptions about this topic that are similar to those found in other students around the world. In reviewing the literature on methodologies that examine how best geography can be learned, the Learning Progression (LP) approach offers an empirics-based roadmap for building students’ holistic knowledge base and in confronting the fragmented and often incomplete understanding of the climate change issue. The study endeavours to answer the key question of how school geography curriculum can be designed for learning about climate change and how it can be enacted in the classroom based on the outcomes of this research study. The methodology is adapted from the common practice of establishing a hypothetical learning progression (HLP), testing and validating the HLP to develop the empirical learning progression (ELP) before determining intervention strategies to test if students can learn climate change better through this approach. The findings will contribute towards the curriculum design and development of the climate change topic, offer a case study in geography teaching and learning informed by the OER’s instructional core model, provide opportunities for evidenced-informed delivery of NIE’s pre-service and in-service programmes on geography education, and foster deeper professional collaborations between NIE, MOE-HQ and schools. More importantly, the research study will inform the teaching and learning of climate change within the wider context of geographical and environmental education in the international community.
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 | 0,008 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,595 | 0,215 |
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 ».