The Ontario Language, Social Studies, and Environmental Curriculum and Perceptions of the Relationship Between Human and Nonhuman Animals: A Collaborative Action Research Study
Notice bibliographique
Résumé
This dissertation investigates the dynamics of human-animal relationships within Ontario’s language, social studies, and environmental curricula. Using a qualitative approach, this collaborative action research (CAR) case study involves interviews with students and teachers who recount personal experiences with animals, inside and outside of the classroom, comment on pedagogy related to the treatment of animals, and attempt to create animal-centred lessons. Drawing from my background as an educator and animal enthusiast, this analysis is informed by a critical discourse analysis of both policy documents and case study interview data. The primary objective of the research was to identify effective pedagogical strategies that promote an intrinsic appreciation for nonhuman life. To support my research agenda, I use two primary conceptual frameworks—critical animal studies (Matsuoka & Sorenson, 2018; Nibert, 2014; Nocella, 2011; Taylor & Twine, 2014) and an engaged policy and practices perspective (Davis, 2014; Davis & Phyak, 2017; Ricento & Hornberger, 1996; Schecter et al., 2014)—and critical discourse analysis as an analytic tool. The findings reveal differing degrees of consciousness and moral responsibility towards animal welfare and highlight the need to revise educational policies and approaches. Citizenship education is identified as a portal through which the development of a higher moral consciousness with regard to the appreciation of nonhuman animals can be fostered. As well, policy revisions should be implemented within the Ontario curriculum and teacher training programs to ensure that educators possess the knowledge and skills to effectively teach the importance of nonhuman animal life.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,023 | 0,014 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».