Bibliographic record
Abstract
Bu araştırmada, Temel Eğitim Programları dijital okuryazarlık bağlamında incelenmiştir. Nitel araştırma deseni benimsenen çalışmada veri toplama tekniği olarak doküman analizi kullanılmıştır. Araştırmanın veri kaynağını; temel eğitim Türkçe, matematik, fen bilimleri, sosyal bilgiler ve hayat bilgisi dersi öğretim programları oluşturmaktadır. Öğretim programlarının seçiminde ölçüt örnekleme yöntemi kullanılmıştır. Ölçüt, derslerin okullarda haftada en az 3 ders saati işleniyor olmasıdır. Bu araştırmada öğretim programlarının tema ve kategorileri, “bağlam, kazanım, eğitim durumları ve ölçme-değerlendirme”dir. Analiz birimi olarak da “kelimeler ve ilgili paragraflar” belirlenmiştir. Doküman incelemesinden elde edilen veriler içerik analizi ile çözümlenmiştir. Araştırma sonucuna göre öğretim programlarının bağlam boyutunda dijital okuryazarlığın “dijital yetkinlik” olarak yer aldığı; kazanım boyutunda dijital okuryazarlık becerisiyle ilgili kazanımların bulunduğu, Türkçe, sosyal bilgiler, hayat bilgisi dersi öğretim programında diğer öğretim programlarına göre dijital okuryazarlığa daha çok yer verildiği görülmüştür. Sosyal bilgiler öğretim programında tüm sınıf seviyelerinde dijital okuryazarlık becerilerine ilişkin düzenli kazanımların olduğu, ayrıca fen bilimleri öğretim programının dijital okuryazarlık bağlamında en az kazanıma sahip öğretim programı olduğu belirlenmiştir. Fen, Türkçe ve sosyal bilgiler öğretim programında eğitim durumları boyutunda dijital okuryazarlık becerilerine yer verildiği ortaya çıkmıştır. Eğitim durumları boyutunda, matematik ve hayat bilgisi dersi öğretim programında, ölçme ve değerlendirme boyutunda ise hiçbir programda dijital okuryazarlığa yer verilmediği ortaya çıkmıştır.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.039 | 0.006 |
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".