Development of Argumentation-Based Guidance Materials in Science Education and Analysis of Students’ Argumentation Levels
Bibliographic record
Abstract
Bu çalışmada, 6. sınıf “Ses ve Özellikleri” ünitesinde yer alan kavramlara yönelik argümantasyon tabanlı bilim öğrenme (ATBÖ) yaklaşımına dayalı öğretim materyalleri geliştirmek ve öğrencilerin argümantasyon düzeyleri ile kavramsal anlamalarını incelemek amacıyla nitel araştırma yaklaşımlarından durum çalışması kullanılmıştır. Veri toplama aracı olarak öğrencilerin uygulama öncesinde ve uygulama sürecinde doldurdukları etkinlik kâğıtları ve uygulama sonrasında yapılan yarı yapılandırılmış mülakat kullanılmıştır. Öğrencilerin argümantasyon düzeylerini belirlemek için Erduran ve diğerleri (2004) tarafından geliştirilen bir rubrik kullanılmıştır. Yarı yapılandırılmış mülakat verileri betimsel analize tabi tutulmuştur. Kavramla ilgili sorulara verilen yanıtlar doğru, kısmen doğru, yanlış ya da boş olarak kodlanmıştır. Bu kategoriler ve frekans dağılımları örnek öğrenci ifadeleri ile tablolaştırılmıştır. Çalışmanın sonuçları, ilk etkinlikler sırasında öğrencilerin argümantasyon seviyesinin başlangıçta 1. seviyede olduğunu göstermektedir. Etkinlikler ilerledikçe 2. seviye argümanların sayısında artış olmuş, bazı etkinliklerde 3. seviye örneklerine de rastlanmıştır. Ancak 4. veya 5. seviye argüman üretilmemiştir. Geliştirilen materyallerin öğrencilerin kavramsal öğrenmeleri üzerinde olumlu bir etkisi olmuştur.
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 | 0.009 | 0.033 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".