MétaCan
Menu
Retour à la cohorte
Enregistrement W2502093652 · doi:10.4018/978-1-4666-9616-7.ch001

Using Technology to Enhance Science Literacy, Mathematics Literacy, or Technology Literacy

2015· book-chapter· en· W2502093652 sur OpenAlexaff
Isha DeCoito, Tasha Richardson

Notice bibliographique

RevueAdvances in early childhood and K-12 education · 2015
Typebook-chapter
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensUniversity of TorontoWestern University
Organismes subventionnairesnon disponible
Mots-clésNumeracyLiteracyContext (archaeology)Mathematics educationScientific literacyPerspective (graphical)Computer scienceScience educationMultimediaPedagogyPsychologyBiology

Résumé

récupéré en direct d'OpenAlex

This chapter explores the potential of a digital game, The History of Biology (HoB) as a learning environment in which today's learners find technology engaging and practical to advance their learning and interact with STEM content. The authors report on a study which assumed an explicit-reflective teaching approach from the perspective that the HoB game was developed in the context of the history, philosophy, and sociology of science and technology. The study addressed the following question: What effect, if any, does HoB have on students' a) learning 21st century skills, and b) engagement with integrated STEM content? The authors hypothesize that by providing opportunities for exploring integrated STEM content via a digital online game, pre-service science students may enhance their own numeracy, and scientific and technological literacy, and also develop positive attitudes toward teaching STEM content through digital technologies in the classroom.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,018
Tête enseignante GPT0,404
Écart entre enseignants0,386 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
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

Citations6
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in early childhood and K-12 educationMême sujetEducational Games and GamificationTravaux en français237 207