MétaCan
Menu
Retour à la cohorte
Enregistrement W4205100386 · doi:10.11118/lifele20211103243

Comparison of Financial Literacy Concept in Projected Curricula of Selected Countries

2021· article· en· W4205100386 sur OpenAlexaboutno aff
Karel Ševčík

Notice bibliographique

RevueLifelong Learning · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy, Pension, Retirement Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFinancial literacyCurriculumCzechScope (computer science)Political scienceLiteracyPoliticsPedagogyMathematics educationSociologyPublic relationsFinancePsychologyBusinessComputer science

Résumé

récupéré en direct d'OpenAlex

Due to the turbulent economic development in recent years and the rising number of financial issues individuals need to deal with, financial literacy is becoming a widely recognized concept, which, among others, spreads into the field of primary and secondary education. However, in each country, the different political, social, or cultural environment influences the final form of concept implementation. Therefore, the presented study focuses on the analysis and comparison of project curricula, which are crucial documents for financial education at the primary levels. A categorical system was presented as the main research tool, with the purpose to examine documents from the countries of the USA (Utah), Canada (Ontario), the Czech Republic and Australia. The results suggested the relative disunity of the financial literacy concept within the Ontario curriculum, as no comprehensive content block is devoted to it during the study. The concept is presented only as one of the cross-curricular topics, often lacking any continuity. Within the Utah curriculum, the individual actions should be cognitively more demanding so that the students are properly stimulated to be active and solve the given task. The Czech curriculum then suffers from a lack of guidance in the curriculum concerning financial literacy. The cause might be in the lower scope of the document.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,280
Écart entre enseignants0,268 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLifelong LearningMême sujetFinancial Literacy, Pension, Retirement AnalysisTravaux en français237 207