Bibliographic record
Abstract
Denne boka presenterer de viktigste resultatene fra TIMSS 2015.Undersøkelsen har vært gjennomført ved Institutt for lærerutdanning og skoleforskning (ILS) ved Det utdanningsvitenskapelige fakultet, Universitetet i Oslo, på oppdrag fra Utdanningsdirektoratet.Med denne boka ønsker vi å nå mange ulike lesere: skoleforskere, lærerutdannere, studenter, lærere, foreldre, politikere og andre som arbeider med skole og undervisning.Vi håper dere vil finne at våre analyser og funn er interessante og relevante for videreutviklingen av norsk skole.Vi vil rette en spesiell takk til alle skolene som deltok i undersøkelsen.Dette inkluderer elever, lærere, rektorer og foresatte.Uten deres velvillighet ville det vært umulig å gjennomføre studien.Videre vil vi takke Ann Britt Haavik, Ove Edvard Hatlevik, Julius Kristjan Björnsson og Kirsti Klette.Ann Britt Haavik har som dataansvarlig spilt en sentral rolle i ulike faser av studien.Et spesielt trekk ved denne gjennomføringen av TIMSS er at elever fra fire forskjellige trinn har deltatt (4., 5., 8. og 9. trinn).Med ca.5000 elever fra hvert av trinnene har logistikken til tider vært krevende.Haavik har bidratt sterkt til at alt har gått etter planen.Hatlevik, Björnsson og Klette har vært kritiske lesere av kapitlene og har kommet med gode innspill og kommentarer.Vi vil også takke fagmiljøet rundt oss for et godt samarbeid.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.275 | 0.207 |
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".