Patterns vs. Causes and Surveys vs. Experiments: Teaching Scientific Thinking
Notice bibliographique
Résumé
The scientific method is a core element of all science. Yet, its different implementations are remarkably diverse, based on the varied concepts and protocols required in each specific instance of science. For experienced scientists, coping with this diversity is second nature: they readily and continually ask tractable questions even outside their expertise, and find the process of forming hypotheses, designing tests, and interpreting results fairly transparent. At the secondary school stage, the scientific method is often introduced as a series of clear steps in a pre-planned lab activity. In between these two stages comes the essential step of abandoning the supports of a step-by-step approach, and instead learning how to work through the scientific method to generate and answer one's own questions. In our experience, this process is rarely taught explicitly. Yet, undergraduate students (even strong students) can have difficulty translating their initial questions into testable hypotheses, and designing and interpreting appropriate corresponding tests. To combat this difficulty, we have developed a conceptual framework that distinguishes the fundamental concepts of pattern and cause. This framework guides undergraduates directly to posing tractable questions, formulating testable hypotheses (descriptive or mechanistic), and designing clear tests (surveys or experiments). Anecdotal evidence, including our in-course assessments and student feedback, suggests this approach leads to improvement of students’ scientific abilities. The benefits are noticeable when students apply the scientific method to their own questions and also while interpreting science reported in biological literature.
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 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 | 0,002 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».