MétaCan
Menu
Retour à la cohorte
Enregistrement W2134498181 · doi:10.21432/t2c01s

Early Development of Graphical Literacy through Knowledge Building

2010· article· en· W2134498181 sur OpenAlexfundvenueno aff
Yongcheng Gan, Marlene Scardamalia, Huang‐Yao Hong, Jianwei Zhang

Notice bibliographique

RevueCanadian Journal of Learning and Technology · 2010
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaUniversity of Toronto
Mots-clésGraphicsVisual literacyMathematics educationScientific literacyComputer scienceReciprocalLiteracyComputer graphicsKnowledge levelQuality (philosophy)MultimediaScience educationPsychologyPedagogyComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

This study examined growth in graphical literacy for students contributing to an online, multimedia, communal environment as they advanced their understanding of biology, history and optics. Their science and history studies started early in Grade 3 and continued to the end of Grade 4; students did not receive instruction in graphics production, nor were they required to produce graphics. Results show that students spontaneously produced graphics that advanced along seven dimensions, including effective representation of complex ideas, use of source information and captions, and aesthetic quality. On average, the scores for the seven dimensions were higher for Grade 4 students with two years of experience with Knowledge Building pedagogy and technology (Knowledge Forum®) than for Grade 6 students with one year of experience. The overall pattern of results suggests reciprocal enhancement of graphical, textual, digital, and scientific literacy, with students exceeding expectations by available norms, and performance enhanced through extended Knowledge Building experience.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,019
Tête enseignante GPT0,360
Écart entre enseignants0,340 · 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'étudeObservationnel
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

Citations18
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Learning and TechnologyMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207