Enlisting Students to Transcribe Historical Climate and Weather Data For Research: Building Knowledge Translation Via Classroom-Based Citizen Science
Notice bibliographique
Résumé
DRAW (Data Rescue: Archives & Weather) is a citizen science project that asks the Canadian public to take part in transcribing millions of meteorological observations recorded between 1871 and 1963 at McGill University’s Observatory in Montreal, Quebec, which was demolished in 1963. We examine how classroom-based curricula can integrate citizen science so youth can learn more about their community via engagement with the local history of weather conditions and impacts. Conducted in March 2018, this research examined knowledge translation during a three-week course module through written reflections, classroom video footage, exit interviews, and a final group research assignment. We worked with 21 students—16- to 20-year-olds enrolled in a social science research methods course at Dawson College, a two-year collège d'enseignement général et professionnel (college of general and vocational education) that attracts local students and is a funded part of education in the province of Quebec. We found knowledge translation was facilitated by student engagement with their community’s history and appreciation for aiding credible scientific research. Knowledge translation suffered from attempts to include archival records that could be difficult to find, access, and read. Our work showed that citizen science, as a vehicle for community engagement and scientific literacy, requires considerable contextualization, for example, the use of frequently asked questions, tutorials, and blogs for context, and historical context to ensure knowledge translation takes place.
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 | 0,018 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».