Science Education In South-West Nigeria: Implications For Educational Policy
Notice bibliographique
Résumé
The demand for quality science education requires periodic assessment for its improvement especially in areas with previous challenges. This study was conducted to assess the current status of science education in Ekiti State, Southwest Nigeria. A cross-sectional design, combining a mixed method of quantitative and qualitative data collection approach, was used following a records review. Schools were selected using a cluster sampling technique. Science education status was ascertained by three parameters: students’ pass rates in science subjects in the Senior Secondary School Certificate Examination, science teachers’ profile (assessed with a 14-item self-administered questionnaire) and availability and functionality of infrastructure for science education using an observational checklist. In-depth interviews were conducted among relevant stakeholders using an in-depth interview guide. Quantitative and qualitative data were analyzed with descriptive statistics and a thematic approach respectively. Students’ pass rates were below 50% in Mathematics and Biology but above in Physics, Chemistry and Agricultural Science. The science teacher: student ratio was 1:8 and 37.5% of the teachers were members of the Nigerian Science Teachers Association. One school (8.3%) had a computer library that was adequately equipped. Laboratory facilities were mostly multipurpose in nature. A quarter of the schools had no library while 33.3% had grossly inadequate library facilities. Opinions about science education status among the respondents was widely divergent with some feeling that it was good while others felt otherwise. This study revealed poor status of science education as evidenced by a low science teacher-student ratio and lack of basic infrastructure for science education. Interventions to improve these findings are recommended.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,015 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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; 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 ».