MétaCan
Menu
Retour à la cohorte
Enregistrement W3162048431 · doi:10.5539/jel.v10n3p132

Interrogating the Teaching and Learning of Chemistry in Nigerian Private Universities: Matters Arising

2021· article· en· W3162048431 sur OpenAlexvenueno aff
Mojisola O. Nkiko

Notice bibliographique

RevueJournal of Education and Learning · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueMobile Learning in Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChemistryChemistry educationScholarshipQuality (philosophy)Subject (documents)Higher educationMathematics educationSociologyPolitical sciencePsychologyPhysicsLibrary scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The indispensability and vast career possibilities associated with Chemistry notwithstanding, there is a palpable growing decline enrollment in Chemistry in Nigerian universities, particularly the private universities. The paper interrogated the teaching and learning of Chemistry in Nigerian private universities with a view to re-awakening the students’ interest for effective mastery of the subject. It relied on secondary sources and critical analysis and found out that major inhibiting factors include: Students’ faulty foundation in Chemistry, syndrome of area of concentration, absence of competitiveness in the admission process, poor attitude of students and lecturers as well as the ambience for effective scholarship. The paper concluded that the current downturn in the students enrolment in Chemistry and the seemingly poor interest in the subject portend sufficient threat to the future of Chemistry, chemical-related industries and the replacement of ageing Chemistry lecturers in Nigeria. It recommended the following strategies to mitigate the vicious cycle: targeted tutorial system, adoption of digital modes of teaching and learning, problem-based learning, capacity building initiatives for Chemistry lecturers, quality assurance mechanism, overhauling science education at the primary and secondary school levels, need-based assessment and provision of quality materials as well as adequate funding.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,395
Score d'incertitude au seuil0,539

Scores Codex et Gemma par catégorie

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

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 Opus0,006
Tête enseignante GPT0,259
Écart entre enseignants0,252 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Education and LearningMême sujetMobile Learning in EducationTravaux en français237 207