How Different Cultural Background Influence Students’ Learning Method
Notice bibliographique
Résumé
when meeting problems, different people may have different problem-solving styles. This phenomenon is easy to spot on campus. In the classroom, Chinese students often prefer to solve problems by themselves when they encounter problems, such as searching for answers on the Internet, and rarely discuss with professors or classmates. English-speaking students, on the other hand, prefer to solve problems in discussions, and they prefer to ask their own questions directly in class rather than finding answers after class. But in previous research, there has been little research on what leads to different problem-solving styles. Therefore, the following research will study the reasons why Chinese students and American students have different problem-solving styles from two aspects: historical reasons and educational systems. Chinese history has long been influenced by Confucianism, which emphasizes authoritarianism and collectivism, so Chinese students are more accustomed to receiving knowledge passively and solving problems passively. American history, on the other hand, emphasizes more free and logical thinking, so American students prefer to actively explore problems. In addition, China's unique college entrance exam education system allows Chinese students to do well in basic subjects, but the fill-in-the-blank education deprives Chinese students of the desire to actively explore knowledge. Compared to the Chinese education system, the U.S. education system was democratized after World War II, which has led to a diversity of educational resources, greater respect for students' interests, and enhanced student initiative. However, a liberal system is often more difficult to manage classes and students, and because there is no mandatory learning, American students generally perform worse in basic subjects.
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 | 0,000 | 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 | 0,001 |
| 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 ».