Climate Change and Education in Canada: A Critical Discourse Analysis of 3 Provinces
Notice bibliographique
Résumé
As climate change (CC) continues to develop as an existential threat to humanity and the wellbeing of our planet, many suggest turning to K-12 education as a key factor in mitigation processes. The effects of CC are quickly overwhelming our systems, including but not limited to agriculture, healthcare, infrastructure, biodiversity, and migration. Ergo, we need education that does not limit teaching CC to the sciences and equally confronts our relationship to the environment to prepare a climate literate society. K-12 education possesses great potential to change the status quo as it can perpetuate culture or challenge it. In K-12 education in Canada, CC is often relegated to the sciences and is rarely taught as anthropogenic, mitigable, and misinformation is at times present in classrooms. Limited research has been done on CC and educational policy in Canada with studies mostly examining pre-service teacher training or surveying curricula and textbooks. This research uses critical discourse analysis to evaluate the curriculum and policy documents of three provinces, Ontario, Saskatchewan, and New Brunswick. This project seeks to determine from which perspective these culturally and economically varied provinces are mandated to teach from, evaluate the similarities and differences, and compare this to the United Nations’ recommended framework of sustainability education (a framework that utilizes diverse learning methods to develop critical thinking, social awareness, and an appreciation for the environment) to explore how provinces and territories across Canada can prepare a more climate literate populace to confront our changing climate.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».