Secondary School Students’ Understanding of Learning Contexts in Science Education: Perspectives from Ethiopia
Notice bibliographique
Résumé
There is increasing recognition of the importance of learning contexts in science education. However, learning contexts are rarely articulated in terms of what they constitute and are often framed by educators and textbooks with limited inputs from students. Unless properly articulated, contexts become anything and everything, thereby losing their relevance for practical aspects of science teaching and learning. In this study, we examined secondary school students’ perceptions of learning contexts as they relate to their science learning and determined aspects of contextualising science education. We recruited 418 secondary school students (Grades 10 and 11) from eight schools in Bahir Dar, Ethiopia, to respond to a survey that has both closed and open-ended items. We used exploratory factor analysis to analyse the quantitative element of the survey and determine aspects of contextualising science teaching and learning. We also used open-coding and constant comparison to analyse students’ qualitative descriptions of learning contexts with the goal of determining students’ understanding of the concept as it relates to their science learning. Results from the factor analysis revealed four factors—agency and discourse, inquiry and processes, everyday life and community engagement and customising as aspects of contextualisation from students’ perspective. The results from the qualitative element reinforced those quantitative findings. Overall, results underscore the importance of contextualising as well as questioning the purpose of science education, especially, but not limited to, in low- and middle-income countries. The study has implications for learning design and fostering learner agency in science education.
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 | 0,020 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».