Türkiye ve Kanada’da işlenen fen ve teknoloji derslerinin karşılaştırmalı analizi
Bibliographic record
Abstract
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.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.039 | 0.007 |
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".