Building Back More Equitable STEM Education: Teach Science by Engaging Students in Doing Science
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic is a national tragedy, one that has focused our attention on both the need to improve science education and the need to confront systemic racism in our country. We know that active learning strategies, in particular research experiences, can engage and empower STEM undergraduates, effectively closing the achievement gap for historically excluded persons. The apprenticeship model for STEM training – supervised research under a dedicated mentor – is highly effective, but out of reach for most students. Recent efforts have demonstrated that Course-based Undergraduate Research Experiences (CUREs) can be an effective approach for making STEM research accessible for all. Our meta-analysis of CUREs finds that published examples now cover the breadth of the typical undergraduate biology curriculum. A thoughtfully designed CURE can go beyond foundational knowledge and analytical thinking to include career-related skills, e.g ., teamwork and communication. Similarly, it can be designed with equity as a foundational principle, taking into account the unique contributions of all students and their varying needs. We provide here an example framework (The “ Do Science Framework ”) for making STEM training more effective and inclusive using CUREs. While CUREs do not inherently address equity, there can be no equity in STEM education without equal access to research participation, and progress toward this goal can be achieved using CUREs. However, implementing new CUREs is not a trivial undertaking, particularly at schools with high teaching loads and little or no research infrastructure, including many community colleges. We therefore propose a National Center for Science Engagement to support this transition, building on experiences of current nationally established CUREs as well as the work of many individual faculty. In the aftermath of the COVID-19 pandemic, academia has a renewed responsibility to dismantle structural inequities in education; engaging all STEM students in research can be a key step.
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 | 0,028 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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.
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 ».