MétaCan
Menu
Retour à la cohorte
Enregistrement W1557915292

Exploring Techniques for Integrating Mobile Technology into Field-Based Environmental Education

2015· article· en· W1557915292 sur OpenAlexaff
Carrie Lyndall Anderson, Brant G. Miller, Karla Eitel, George Veletsianos, Jan U.H. Eitel, R. Justin Hougham

Notice bibliographique

RevueThe Electronic Journal of Science Education · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueDiverse Educational Innovations Studies
Établissements canadiensRoyal Roads University
Organismes subventionnairesnon disponible
Mots-clésJournaling file systemEnvironmental educationOutdoor educationField (mathematics)CurriculumIntervention (counseling)Nexus (standard)Science educationPerspective (graphical)Technology educationPsychologyPedagogyComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Environmental education authors have argued for cultivating a relationship with nature and the outdoors, and have urged parents to unplug their children from technology. In this perspective, technology is seen as curtailing ties to the environment and its use needs to be limited. In this paper, we consider the idea that while technology may contribute to children's disconnect from the natural world around them, it could also support being outdoors. Thus, we explore techniques for incorporating mobile technology into a field-based environmental science curriculum and compare two approaches to field-based environmental education: a traditional approach and a traditional-plus technological intervention approach. A mixed methods design was used to evaluate learning outcomes and record observations. Based on comparisons of pre- and post-test scores and common themes detected through reflexive journaling, results show that the traditional-plus approach to environmental education facilitated an increase in student knowledge and comprehension during a weeklong residential science program. Appropriate implementation of technology can enable outdoor education to enhance existing practice, but there is still a need for further research on the topic.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,048
Tête enseignante GPT0,294
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Electronic Journal of Science EducationMême sujetDiverse Educational Innovations StudiesTravaux en français237 207