Virtual field experiences in introductory geology: Addressing a capacity problem, but finding a pedagogical one
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent literature has demonstrated the importance of fieldwork in geology. However, as resources become scarce, field experiences are often targeted for cuts. This was the case at the University of Calgary when massive enrollments placed a tremendous burden on resources. In courses throughout, field trips and other excursions were eliminated, making it so students do not have any field experiences until their third year. In response, we have developed three virtual field experiences (VFEs) of geologically relevant locations near Calgary. A burgeoning technology, VFEs offer advantages of convenience and versatility when compared to actual field trips. Our VFEs comprise drone-captured images used to form high-resolution 2-D photomosaics and 3-D computer models. We piloted one VFE in an introductory geology course. We wanted to understand how students engaged with the models so that we could make the VFE as effective as possible. Observing student engagement over two iterations allowed us to make changes to the activity. We found that students had difficulties with the VFE’s open endedness. They also demonstrated difficulty with the relationship between observations and inferences. This is indicative of a broader issue with how geology (or science in general) is taught. Traditional instruction in geology places great emphasis on the “what” of geology as opposed to the “how.” We contend that teaching geology with more emphasis on how geology works will help students develop a better understanding of the relationship between inference and observation, enhancing their fieldwork and their understanding of science.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle