Integrating Indigenous Knowledge in Science Education: A Systematic Review of Strategies, Models, and Impacts
Notice bibliographique
Résumé
Integrating Indigenous Knowledge (IK) has received special attention to realize science learning that is relevant, contextual, and close to students' daily lives. This study aims to systematically review empirical research on the forms of Indigenous Knowledge integrated in science learning, science learning strategies, methods, or models that integrate Indigenous Knowledge, and the impact or influence of science learning that integrates Indigenous Knowledge. The articles were collected from November to December 2024 through Scopus and ERIC databases. The number of articles that met the inclusion criteria was 43 out of 558 articles collected. The findings showed that Indigenous Knowledge can be classified into eleven categories: culture, traditional games, traditions, ethnoecology, ethno-agriculture, ethno-botany, ethno-biology, ethno-medicine, traditional technology, ethno-chemistry, and ethno-science. Implementing the IK program in science learning is divided into seven categories: project-based learning and social action, discussion and reflection-based learning, technology-based learning, field research-based learning, local knowledge-based learning, cultural practice-based learning, and reflective learning. The positive impacts of IK integration include increased appreciation of nature and biodiversity, Indigenous culture and Knowledge, thinking and soft skills, mastery of material content, and student motivation and engagement in learning.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».