Supporting Socially Responsible Science Education through a three visions of scientific literacy framed learning study
Notice bibliographique
Résumé
Purpose This study explores how secondary science teachers in British Columbia engaged with the Three Visions of Scientific Literacy Heuristic (3-VSL) within a Learning Study (LearnS) to support students’ responsible engagement with controversial societal issues related to science, termed Socially Responsible Science Education (SRSE). The study examined how LearnS promoted teachers’ integration of 3-VSL, addressed SRSE implementation challenges, and developed theoretical fluency in their practice. Design/methodology/approach A case study approach involved three science teachers and a school administrator in a 30-week LearnS. A novel concurrent-and-successive (C&S) LearnS model allowed iterative cycles of lesson planning, enactment, and reflection. Data included semi-structured interviews, classroom observations, artifacts, and meeting recordings. Thematic analysis identified key themes in teachers’ experiences employing 3-VSL. Findings The teachers initially resisted critical orientations of 3-VSL but, through reflection and research lessons, enriched their understandings and enactments of SRSE. They generated personal interpretations of 3-VSL to guide SRSE practices. The 3-VSL framework helped refine literacy-focused objects of learning and guide pedagogy. Practical implications Findings highlight LearnS as an effective professional development model for promoting SRSE. The study demonstrates how 3-VSL scaffolds teacher learning, supports curricular enactment, and addresses context-specific challenges in implementing critically oriented science teaching. Originality/value This study contributes a novel LearnS case from Canada. It expands LearnS beyond variation theory, engages with a complex teaching challenge (SRSE), and introduces a novel LearnS model (C&S). Findings suggest that varying critical components of LearnS—such as objects of learning, theories, models, and contexts—can strengthen its capacity to support diverse teacher aims across educational milieus.
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 | 0,010 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,018 | 0,031 |
| Communication savante | 0,010 | 0,003 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».