The Use of Graphics to Communicate Findings of Longitudinal Data in Design-Based Research
Notice bibliographique
Résumé
Visuals and graphics have been used for communicating complex ideas since 1786 when William Playfair first invented the line graph and bar chart. Graphs and charts are useful for interpretation and making sense of data. For instance, John Snow’s scatter plot helped pinpoint the source of a cholera outbreak in London in 1854 and also changed understandings of how germs were spread. While popular in the field of information graphics, rarely are graphs beyond the bar chart found in educational research articles. When present, the graphs do not necessarily enhance the findings of the data. Nor do educational research methods textbooks promote or instruct how to create visual representations to aid with interpretation and communication of findings. This paper attempts to address this void by sharing our processes for creating meaningful visual graphs for communicating multi-dimensional statistical findings more effectively. A working hypothesis was that carefully crafted visual graphics would convey our longitudinal research findings more effectively to broader audiences than existing forms. Three visuals were constructed from survey data three-year longitudinal design based research study of teacher and student learning in a one-to-one laptop school. The study focused on learning designs that changed and improved student learning experiences and outcomes by adopting inquiry approaches to teaching that incorporate meaningful uses of technology. In field tests, our audiences found the visuals were useful for interpreting the findings. More and more frequently, academics are required to communicate their findings to broader audiences. A well-designed and well-constructed graph(ic) can provide a means for effective communication of complex, multi-dimensional statistical data. Such effective communication is beneficial for both an academic audience as well as for broader audiences. The authors presented this paper that was previously published in JITE: Research
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 | 0,137 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,013 | 0,016 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».