Notice bibliographique
Résumé
Change in education is too often a process which enthusiasts, ranging from top policy makers to groups of teachers, plan and drive forward, but in which they all find unexpected pitfalls. Every innovation depends on the commitment of schools and teachers to make it work. But often that commitment is lacking, or is less than total, or it turns to fustration as events develop. This book is based on a set of stories from teachers and education professionals in thirteen OECD countries. Twenty-three case studies of educational innovation in science, mathematics and technology have involved school teachers, inspectors, academics (both subject specialists and educational researchers), policy makers and advisors. The case studies come from Australia, Canada, France, Germany, Ireland, Japan, the Netherlands, Norway, Scotland, Spain, Switzerland and the USA. Drawing on this rich variety of material the authors concentrate on the origins and purposes of innovation within and across the science, mathematics and technology curricula. They consider the conceptions of the three subjects, along with issues of teaching, learning and assessment, and explore the involvement of both teachers and students. They reflect on the various strategies adopted to cope with or bring about change, and offer valuable insights to advisors, developers, policy makers and practitioners, both in schools and outside. The writing team includes Paul Black, King's College London; Mike Atkin, Stanford University; Raymond Duval, University of Lille; Edwyn James, Consultant, OECD; John Olson, Queen's University of Kingston, Ontario; Dieter Pevsner, Consultant, London; Senta Raizen, National Centre for Improving Science Education, Washington; Maria Saez, University of Valladolid, Spain; and Helen Simons, Southampton University. Published in association with the OECD
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».