Virtual field experiences in introductory geology: Addressing a capacity problem, but finding a pedagogical one
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.
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 | 0,025 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,015 |
| Communication savante | 0,018 | 0,021 |
| Science ouverte | 0,006 | 0,027 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».