MétaCan
Menu
Retour à la cohorte
Enregistrement W4388830666 · doi:10.54254/2753-7048/22/20230233

The Fairness of School Education in China and Its Countermeasures

2023· article· en· W4388830666 sur OpenAlexaff
Jintao Ge

Notice bibliographique

RevueLecture Notes in Education Psychology and Public Media · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Vocational Training
Établissements canadiensYorkville University
Organismes subventionnairesnon disponible
Mots-clésEquity (law)Educational equityChinaInequalityEconomic growthEducational inequalityRural areaEducational resourcesDistribution (mathematics)Political scienceSociologyEconomicsPedagogy

Résumé

récupéré en direct d'OpenAlex

This paper studies the background of China’s educational equity and the problems and solutions of Chinese school education. Using the method of literature review, the research results of scholars at home and abroad are integrated, and the field is systematically sorted out and analyzed. The study found that the problems faced by Chinese education mainly include the inequality of regional education development and the inequality of urban and rural education. There are differences in the allocation of educational resources in different regions, resulting in insufficient education quality and opportunities in some regions, which in turn exacerbates the problem of educational inequality. Secondly, the inequality of urban and rural education is also a major problem of education fairness in our China. Due to the uneven distribution of urban and rural economic development and resources, rural education conditions are relatively poor, and students have limited learning opportunities and resources, resulting in a widening urban-rural education gap. country place. In response to these problems, this study proposes solutions to deepen reform and promote educational equity. Through literature review and analysis of the problems existing in our Chinese education, put forward corresponding solutions, and make corresponding efforts to promote educational equity.

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)0,014
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0070,013
Communication savante0,0060,005
Science ouverte0,0020,007
Intégrité de la recherche0,0020,002
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 Opus0,055
Tête enseignante GPT0,423
Écart entre enseignants0,368 · 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'étudeObservationnel
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLecture Notes in Education Psychology and Public MediaMême sujetEducation and Vocational TrainingTravaux en français237 207