Læreplananalyse av norsk og kanadisk læreplan i naturfag
Bibliographic record
Abstract
Canada og Norge er land med ulike styringsdokumenter for utdanningssystemene sine. Canada bruker curriculum som er en mer omfattende og detaljert læreplan enn den vi bruker i Norge. Dette fører til at det er mange ulikheter, men også noen likheter mellom disse to typene dokumenter. \n\nProblemstillingen som skal besvares i denne oppgaven er: «Hvilke likheter og ulikheter finnes det mellom Canadas Curriculum i naturfag og den Norske læreplanen i naturfag samt fagfornyelsen?». Metoden som blir brukt er dokumentanalyse. Dokumentene som ble analysert var The Ontario Curriculum of Science and Technology og Norsk læreplan i naturfag.\n\nDe største ulikhetene mellom de to dokumentene er hvor omfattende og detaljerte de er. Canadas curriculum er et stort dokument som tar for seg læringsmålene på en detaljert måte og som samtidig tar for seg mye informasjon om undervisning. Den norske læreplanen inneholder stort sett hva som skal undervises, med åpne kompetansemål. Noen av de likhetene som ble funnet er at begge dokumentene har hovedområder som går igjen gjennom hele grunnopplæringen, og at urbefolkningen er inkludert i læringsmålene.\n\nUnderveis i analysen ble jeg oppmerksom på at fagfornyelsen kan føre til flere likheter mellom Canadas og Norges læreplaner. I dag gjennomgår Norge en fagfornyelse, som muligens vil bringe oss noe nærmere Canadas curriculum. Dette på grunn av Canadas big ideas, og de kjerneelementene som skal innføres i alle fag i Norge. Dette ble derfor et fokuspunkt underveis i analysen.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.011 | 0.004 |
| Scholarly communication | 0.012 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.079 | 0.012 |
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".