Assessment of Experiential Education in Prescribed Burning for Current and Future Natural Resource Managers
Notice bibliographique
Résumé
Abstract Acquiring experiential prescribed fire education is difficult for college students. In order to evaluate the effects of instruction on students, we surveyed those who were taking or had completed Oklahoma State University’s (OSU) prescribed fire courses since 2000. Of those surveyed, 32 were current students and 99 were former students. We assessed changes in their perception, knowledge, skills, abilities, the total area that they have prescribed burned since leaving OSU, their career trajectories, and how they rated the importance of different types of instruction. One third of the current students had never participated in a prescribed burn before the course; however, after the course, they had participated in seven burns on average. Current students had increased confidence in planning prescribed fire, operating a drip torch, and leading a prescribed fire program. Former students were employed in 20 US states and one Canadian province. Only one third of former students had participated in a prescribed burning association (or similar local cooperative), of which two thirds became federal government employees. Former students had conducted or assisted with 6247 prescribed fires on a total of 803 252 ha after taking the courses, from 2000 to 2013. Experiential learning such as conducting prescribed burns, writing burn plans, and spot fire and equipment training ranked higher in utility than passive types of instruction such as lectures. Of the 37 universities assessed, only eight offer any courses explicitly focused on prescribed fire. Based on our results that demonstrate that both current and former students value experiential fire ecology educational training, we recommend that university curricula should increase the focus on prescribed fire, emphasize experiential learning, and facilitate greater interaction between student and instructor.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».