Notice bibliographique
Résumé
Over the course of 2018 - 2019, interactive experience design company, (ix)plore Lab, created three simulation-based learning programs for the Travis County Reentry Employment Services (RES) training in Austin, Texas. Participants, most of whom were from organizations that assist formerly incarcerated individuals during the reentry process, attended workshops focused on client-based practices. Specifically, they learned techniques for better conducting informal assessments and motivational interviewing methods they could utilize in their work. Each workshop culminated in an interview with a fictional client, played by an actor. The team wished to improve upon existing live simulation models in several ways. First, by creating a method to provide immediate feedback to learners. Second, by increasing the simulations adaptability so it could adjust to each individual learner. Lastly, the simulation needed to have a high degree of emotional fidelity. To achieve these, (ix)plore Lab designed the programs by integrating techniques from interactive theater performance with existing simulation practices to effectively target specific skills for development. This article provides an overview of the techniques involved and adjustments made to focus on soft skill development, and documents three simulation-based learning programs that took place over the course of 2018 - 2019, highlighting developments made with each iteration. The training program documented in this paper was created without monetary compensation. In lieu of payment, the organizers of RES allowed (ix)plore Lab to collect feedback from learners and to use the training as a laboratory for workshopping this simulation-based learning model.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».