Incorporating Indigenous Content Into K-12 Curriculum: Supports for Teachers in Provincial and Territorial Policy and Post-Secondary Education Spaces
Notice bibliographique
Résumé
In an era of learning truth and working towards reconciliation with Indigenous peoples, education institutions across Canada are in the midst of decolonizing their education spaces. Fundamental to this process are the Truth and Reconciliation Commission Calls to Action to educate settler teacher candidates to develop culturally appropriate curricula and incorporate Indigenous content into their teaching practices. Little research has reviewed institutional responses to these recommendations. To fill this gap, this study compiles recent efforts to inform Ministries of Education and post-secondary education institutions of effective and culturally safe methods to incorporate Indigenous content in curricula, based on current interventions and the lived experiences of teachers navigating the decolonization process. Two rapid reviews of grey and academic literature are completed. The findings shed light onto course-, professional workshop-, and policy-based interventions to support teachers in teaching Indigenous content. Interventions often prioritize cultural safety to underline teaching practices and focus on addressing settler biases, racism, and harmful stereotypes. Many Bachelor of Education programs offer mandatory courses on how to infuse Indigenous worldviews into curriculum, and emphasize building relationships, challenging positionalities, and establishing safe spaces to ask questions. Many teachers benefit from cultural safety training and resources, however, some continue to face challenges in confronting their roles and responsibilities as settlers within education spaces. As decolonizing education is an ongoing process, this research aims to provide key information to advance its progress. To that end, future research needs to investigate the long-term impacts of existing interventions on teaching practices and curriculum development.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».