Türkiye ve Kanada’da işlenen fen ve teknoloji derslerinin karşılaştırmalı analizi
Notice bibliographique
Résumé
Bu araştırmada Türkiye’de fen ve teknoloji derslerinin işlenişini fen başarısında dünya çapında oldukça iyi bir yere sahip olan Kanada ile karşılaştırmanın faydalı olacağı düşünülmüştür. Örnek olay yaklaşımı kullanılarak iki ülkenin fen eğitim sistemleri içinde işlenen örnek bir fen dersi hakkında detaylı bilgi sahibi olmak amacıyla “gözlem yöntemi” kullanılarak, Kanada ve Türkiye’de seçilen okullardan toplam beş farklı sınıfta işlenen “Madde ve Isı” ve “Işık” ünitelerinin işlenişi gözlenmiştir. Türkiye ve Kanada’da gözlemlenen okullarda derslerin yapıldığı sınıfların fiziksel özellikleri arasında çoğunlukla farklılıkların olduğu görülmüştür. Fen Teknoloji Dersi Öğretim Programı (FTDÖP) 7.sınıf “Işık” ve Ontario Fen ve Teknoloji Müfredatı (OFTM) 8. sınıf “Optik” ünitesi; ve FTDÖP 6. sınıf “Madde ve Isı” ve OFTM 7. sınıf “Madde ve Isı” üniteleri için yapılan gözlemler genel olarak değerlendirildiğinde kullanılan öğretim yöntem ve teknikleri açısından benzerliklerin ve farklılıkların olduğu ve Kanada örneğinde gözlenen sınıflarda öğrencilerin bireysel çalışmasına daha çok yer verildiği görülmüştür. İki ülkede gözlenen örnek sınıflarda ölçme ve değerlendirme teknikleri ve proje çalışmalarının yürütülmesi bakımından farklılıkların benzerliklerden daha çok olduğu dikkati çekmiştir.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,007 |
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 ».