Global Trends in School-Based Assessment: Implications for Effective Implementation in Sri Lanka
Notice bibliographique
Résumé
This systematic review summarizes evidence on implementation, philosophical underpinnings, methodologies, and challenges of School Based Assessment (SBA) conducted in 12 countries including Finland, Canada, New Zealand, Hong Kong, Singapore, South Africa, the Caribbean, Australia, Malaysia, China, the United States, and Sri Lanka. Based on policy documents, empirical research, and academic publications, the review reveals that SBA has become a major international reform strategy that will empower student-centered learning, formative assessment, and holistic evaluation. The analysis divides SBA models based on the underlying philosophical orientations and shows that most of the Western systems are mostly constructivist and with learner-centered models, and most of Asian systems are standardized, centrally regulated models. Although the structures differ, SBA is largely known to support deep learning, intrinsic motivation, and meaningful engagement of learners. In the examined settings, multiple common obstacles limit efficacious implementation, such as the overload of workload on teachers, lack of assessment literacy, insufficient professional development, and ongoing issues with reliability and consistency. The comparison of 48 publications guided by PRISMA indicates the similarities in cross-national aspects as well as significant regional variations, which provides a strong foundation of evidence in the future of policy and practice. The review finds that permanent capacity-building of teachers, systematic moderation of teachers, and harmonious policy alignment are critical in ensuring equitable and effective implementation of SBA to maximize its role in fostering student-centered learning and quality education.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».