“Resilient individuals; resilient societies”: the role of geographical education in their development
Notice bibliographique
Résumé
This paper examines how resilience is defined and understood in the context of geography education, and how geography curricula can contribute to developing resilience in individuals and societies. Although resilience has been studied widely in fields like ecology and psychology, its role in education needs further attention. This study distinguishes between narrow, individualistic conceptions of resilience focused on personal coping skills, versus broader definitions encompassing the capacity of communities and societies to anticipate, respond to, and transform in the face of disruptions. An analysis of secondary school geography curricula from Australia, Canada, China, Ethiopia, South Africa, and the United States reveals that while the term “resilience” itself is rarely mentioned explicitly, the curricula incorporate many related concepts such as risk, adaptation, sustainability, and human-environment systems. Specific topics that lend themselves to developing resilience understanding include natural hazards, climate change, resource management, and human migration. Coupling pedagogical approaches like problem-based learning, GIS mapping, and research projects also lend themselves to building resilience capacities. We argue that by developing spatial thinking abilities and understanding of interconnected environmental and societal systems, geography education holds unique potential to cultivate resilience. Now is the time to explicitly incorporate resilience in geography curricula to ensure this potential is realized. Enhancing resilience capacities through geography education is vital for empowering current and future generations to navigate an unpredictable world.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».