MétaCan
Menu
Retour à la cohorte
Enregistrement W3005883455 · doi:10.3389/fpsyg.2020.00177

An Old Mechanism, Imitation, Geared for Socio-Material Knowing in a “Day in the Life” of First Graders

2020· article· en· W3005883455 sur OpenAlexaff
Giuliana Pinto, Catherine Ann Cameron, Monica Toselli

Notice bibliographique

RevueFrontiers in Psychology · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueChild and Animal Learning Development
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésImitationPerspective (graphical)Flexibility (engineering)PsychologyEveryday lifeFrame (networking)Mechanism (biology)Through-the-lens meteringCognitive psychologySocial psychologyEpistemologyComputer scienceArtificial intelligenceLens (geology)

Résumé

récupéré en direct d'OpenAlex

This paper adopts sociomateriality as a theoretical lens to further our understanding of how imitation acts to support the use of objects, and in doing so, constitues a sociomaterial practice. Within a sociomaterial perspective we aimed to perform the analysis of imitation as a powerful way to learn how to use objects embedded into the practices within which the objects are constituted. The contribution of this approach is illustrated using the findings of the application of the quasi-ecological DITL methodology to the everyday lives of two 6-year-old children. Within a case-study frame, we traced the children’s imitation behaviors focused on the use of objects during an entire day of their life, the various people and practices with which they were associated, the multiple sociomaterial configurations that the objects assume, and the social and material consequences of their use. Imitation appears to be is a complex activity, involving multiple stakeholders who interact in order to facilitate the understanding of various artifacts across diverse knowledge domains, and enhance their interpretive flexibility across communities of practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,017
Communication savante0,0030,003
Science ouverte0,0020,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,030
Tête enseignante GPT0,308
Écart entre enseignants0,278 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PsychologyMême sujetChild and Animal Learning DevelopmentTravaux en français237 207