Notice bibliographique
Résumé
In February, we wrote about using simulation software to engage students in the Developing and Using Models science and engineering practice (NRC 2012, p. ES-3). That column focused on engineering-related simulations. This time we look at how simulation can help students deepen their understanding of science concepts. The PhET team at the University of Colorado at Boulder (see On the web) has developed one of the larger collections of science-education simulations on the web, covering a staggering array of science concepts, from plate tectonics to balancing chemical equations. They also have a database of teacher-created lessons to help teachers use the simulations in a variety of ways--from embedding simulations in lectures, to small-group projects, to homework assignments. The impact of these simulations has been investigated through research projects (posted on the PhET website) and by many classroom teachers in action research projects. While completing his graduate degree at Montana State University, Kristian Basaraba, a physics teacher in Alberta, Canada, designed a classroom research project focused on the impact of simulations, mostly from PhET and Explore-Learning (see On the web), on his students' understanding of Newtonian mechanics. Basaraba used summative assessments, surveys, and interviews to determine the simulations' effectiveness. Basaraba used six simulations, focusing on vector addition; the relationship between force, mass, and acceleration; Atwood's machine; inclined planes; kinetic and static friction; and Newton's law of gravitation. Students manipulated these simulations while completing guided inquiry activities that had them either collect and analyze data, compare simulation results to theoretical predictions, describe and explain cause and effect relationships as they change variables, or to assist and verify quantitative calculations. For example, in the Atwood machine activity, students predicted the direction of one of the masses, gathered data on fall times, analyzed this data by calculating acceleration rates, and explained why and how fall times change due to mass differences. Students who used simulations as part of the instructional sequence outscored students who did not on each of the summative assessments (vector addition, Newton's laws, gravitational fields, and dynamics). For example, on the Newton's laws quiz, questions required students to explain their answers in writing. …
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,017 |
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 ».