A Kaleidoscope of Understanding: Comparing Real with Random Data, Using Binary-Choice Items, to Study Preservice Elementary Teachers’ Knowledge of Climate Change*
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The authors used a 59-item survey to probe the understanding of climate change by 89 Ontario preservice teachers. The study investigated the usefulness of comparing real survey data from closed, binary choice items, with randomly generated data. Climate change was chosen to be the topic because it is a new emphasis in K–12 science curricula. If teachers had answered the survey randomly, according to Monte Carlo simulations, a normal distribution would result, with 56 of the 59 items answered correctly by 40%–60% of the respondents. A bimodal distribution resulted, however, with 34 items answered correctly by more than 60% and 18 items by less than 40%. Apparently, the teachers knew a lot about climate change, but also had many misconceptions, some identified here for the first time. Item discrimination indices and correlation coefficients, however, were the same for the real versus Monte Carlo data, suggesting that preservice teachers’ knowledge was a “kaleidoscope of understanding,” rather than a coherent picture. This may be because their understanding of climate change came primarily from unconnected sources in the media, or because climate change science involves many different fields of study including astronomy, biology, chemistry, ecology, oceanography, and physics. In conclusion, the analysis herein demonstrates the benefit of comparing real and random data for binary-choice item surveys in multidiscipline topics such as climate change. For those interested in climate change education, these results suggest the importance of emphasizing the difference between reliable and unreliable sources of information and giving careful attention to how to draw on concepts from different scientific fields.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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