Productive Disciplinary Engagement in a Remote Laboratory Activity With an Eighth-Grade Science Class
Notice bibliographique
Résumé
Remote laboratories offer students an opportunity to use analytical laboratory instruments through the Internet, in real time, from their classroom. Although remote laboratory activities offer great potential for engaging students’ interest and student learning, little work has been done on using them with middle school students. This study focused on middle school students’ engagement during a remote laboratory activity. With the help of facilitators, 18 eighth-grade students worked in six groups of three to remotely operate a Shimadzu TOC/TN Analyzer in a university chemistry laboratory, in real time, to measure the total nitrogen content in their river water samples. We video- and audio-recorded the students’ discourse with each other and with facilitators during the activity. Following transcription, discourse was coded for types of engagement as defined by the Productive Disciplinary Engagement framework, which posits three types of engagement: general engagement—students make active contributions; disciplinary engagement—students’ contributions are connected to the discipline of science; and productive disciplinary engagement—students make intellectual progress. All six groups demonstrated general engagement and disciplinary engagement. Students talked about both the technology, such as the video camera that allowed them to view inside the university laboratory, as well as the science, such as how the machine was actually doing the measuring. Two groups showed evidence of moving towards productive disciplinary engagement when they discussed the meaning of their results. Our results suggest that remote laboratory activities can engage middle school students and can be a site for their learning.
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 | 0,006 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».