Notice bibliographique
Résumé
The purpose of the research is to define the factors that negatively affect education and learning process. Descriptive content analysis, one of the non-interactive qualitative research designs, was used to analyze the data. The analyses were conducted in six stages. First, aim, subject, and research questions were determined. Literature review was done according to the inclusion and exclusion criteria, the literature was read, the literature tags were created in the form of a table, the codes, categories, themes were created inductively according to the descriptive content analysis, and finally, analysis, association, interpretation, signification, and reporting were made. To this aim, 238 research conducted between 2014 and 2018 were jointly investigated within the framework of determined criteria. Correlation between raters was determined as rp= 0.94. According to the obtained results, variables that negatively affect learning related to technology and media may be indicated as phone, tablet, computer, game, internet, cartoons, social media, television, and TV series. Private teaching institutions and central examinations that negatively affect teaching are among the variables related to exams. Negative and disruptive factors arising from the school, education system, and educational practices; assignments, disconnection from real life, discipline problems, legislation and procedures, teaching practices that do not change or be updated, and a low possibility for failing a class are educational fashions. Addiction related viruses such as drugs, technology addiction, smoking habits affect education negatively. Obesity and excessive consumption culture and unhealthy nutrition problems that are health-related problems are also observed. Violence, swearing, using slang words, peer bullying, moral collapse, noise pollution, and problems stemming from ignoring others are the problems arising from all kinds of school environments.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».