Fen ve Matematik Alanları Öğretmen Adaylarında Bilgisayar Okuryazarlığı
Bibliographic record
Abstract
Günümüz ve geleceğin öğretmenleri, insan hayatının büyük bir parçası olan ve eğitimdekietkisi iyice anlaşılmış olan bilgisayarları etkili ve verimli bir şekilde kullanabilmelidir. Yapılançalışmanın amacı, fen ve matematik alanları eğitimi bölümünde okuyan son sınıf öğretmenadaylarının bilgisayar okuryazarlığını bir ölçek yardımıyla ölçmek ve gruplar arasındaki farklılıklarıortaya koyarak gerekli düzenlemelerin yapılmasını önermektir. Çalışma, 2006-2007 öğretim yılı güzdöneminde Gazi Üniversitesi Fen ve Matematik Alanları Eğitimi Bölümü’nde beşinci sınıfta okuyan24 matematik öğretmenliği, 28 fizik öğretmenliği, 32 kimya öğretmenliği ve 12 biyoloji öğretmenliğiöğrencisi ile yapılmıştır. Çalışmada veri toplama aracı olarak Robin Kay tarafından Torontoüniversitesi’nde 60 öğrenci ile geliştirilmiş ve daha sonra 383 bireye uygulanmış olan BilgisayarOkuryazarlığı Ölçeği Türkçe’ye çevrilerek kullanılmıştır. Ölçek sonuçlarına göre öğretmenadaylarının bilgisayar ile ilgili temel becerileri en yüksek iken yazılım becerilerine başvurma ikincisırada, bilgisayar farkındalığı üçüncü sırada ve programlama ise son sırada yer almıştır. Şubelerinölçekten aldığı puanlar kıyaslandığında ise sadece programlama bölümünde anlamlı farklılıklaroluştuğu ve bu farklılığın matematik öğretmenliği ile fizik, kimya ve biyoloji öğretmenliği arasındave matematik öğretmenliğinin lehine olduğu gözlenmiştir. Gelecekte büyük bir önem kazanacak olaneğitim yazılımları ve programlama alanında öğretmen yetiştiren kurumlarda bu derslere ağırlıkverilmeli ve eğitim programlarına katılmalıdır. Ayrıca ülke okullarının bilgisayarla donatıldığıgünümüz koşullarında öğretmen yetiştiren şubelerde bilgisayar destekli öğretim ile ilgili özel bir derseyer verilmelidir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".