Auditing Canadian Curricula for the Prevalence of Personal-Finance Related Terms Using Text-Frequency and Distant-Reading Software Tools
Notice bibliographique
Résumé
This quantitative research study explores each set of provincial curriculum documents (save for Quebec) for the frequency of user-selected personal-finance based terms. The data from each province is compared and examined to answer: which provincial curriculum mentions user-selected personal-finance terms most frequently; how many words/pages are between each term mention, and how many personal-finance terms appear in the top 500 words in each curriculum. The research found that Prince Edward Island’s curriculum documents contained the most searched-for terms (at least one mention). Further, money (British Columbia and Newfoundland) and entrepreneur (Nova Scotia) are the only two searched-for personal-finance terms among the 500 most frequently-mentioned words in each set of curriculum-based corpora and appear approximately once every 16.5 pages in each of those respective sets of curriculum documents. This project uncovers a wealth of information about the extent to which personal-finance related terms appear in each province's curricula via software-based tools. However, further research is encouraged to corroborate these findings. Furthermore, follow-up classroom-based observations would provide useful qualitative evidence to triangulate the quantitative data and enhance the inquiry into the state of personal-finance education in Canadian schools. Moreover, those interested in utilizing the data sets from this project in future research need to be aware that text-based term mentions are not necessarily indicative of in-class practices. Thus, further research needs to be conducted to gain a deeper understanding of school-based personal-finance learning, and complementary projects examining the impact of text mentions on human behaviour are encouraged.
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,013 | 0,020 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».