Instructional Practices in K-12 Climate Change Education Across Disciplines: A Study of Early Adopters from New Jersey
Notice bibliographique
Résumé
The United Nations’ 2030 Agenda for Sustainable Development centers on the 17 Sustainable Development Goals (SDGs). Among these goals, two address climate change education: Goal 13, Climate Action, and Goal 4, Quality Education. In order to build a more sustainable future, climate change education is critical. In 2022, New Jersey became the first state in the US to integrate climate change into learning standards across subjects and grade levels K-12. In an effort to better understand the way in which teachers began to include climate change in their instruction, 50 teachers were observed implementing a lesson of their choosing that included climate change throughout the 2023–2024 academic year. Though most of the observed lessons featured science, many subject areas were included in the dataset, such as art, technology, history, and physical education. Teachers engaging in climate change instruction tended to use a variety of instructional practices. In nearly all cases, a multitude of methodologies were used in each lesson. However, small group instruction was featured in nearly all observed lessons. Quantitative descriptions of the findings are followed by three vignettes of exemplar instruction to provide a clearer understanding of the context of this work. These findings provide a scope for how climate change can be integrated in instructional settings at scale and suggestions for leveraging the experiences of early adopters of this innovation to support widespread implementation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».