Science and engineering practices in science curricula: A comparative analysis of Thai, Vietnamese, Indonesian and Scottish curricula
Notice bibliographique
Résumé
Science and engineering practices (SEPs) are one of the key learning goals of Science, Technology, Engineering, and Mathematics (STEM) education. There are few studies that compare similar SEPs in the science curricula of different countries. This study aims to compare SEPs in the science curricula of four countries (Indonesia, Scotland, Thailand, and Vietnam) in order to ascertain common knowledge and skills. Content analysis was used to analyse learning outcomes for grades seven to nine. The results showed that 1) desired learning outcomes in all four countries were consistent with science practices rather than with engineering practices and that they did not cover a number of SEPs. "Constructing scientific explanations" was found to have the highest frequency of the SEPs addressed in the curricula of the four countries, while "asking questions and defining problems" had the lowest overall average frequency. "Developing a model" was found more frequently in the Thai curriculum than in the Indonesian, Scottish, or Vietnamese curricula. The results of this study suggest that curriculum developers interested in broadening practices associated with science might revisit learning outcomes for the science curriculum in the areas of modelling and asking questions. Further research into the science curriculum could compare science or mathematics learning outcomes with the core disciplinary ideas, crosscutting concepts and the nature of each discipline, that are foundational in STEM education. Moreover, it would be worthwhile to investigate curriculum implementation of these practices by assessing teachers' instruction and students' STEM literacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».