Integrating literature into STEM to promote inclusivity and foster holistic, transdisciplinary learning environments
Notice bibliographique
Résumé
The goal of this study is to examine the integration of literature, defined as any form of short or long fiction and/or non-fiction, or poetry, into secondary STEM (science, technology, engineering, and mathematics) classes in British Columbia, Canada. The data were collected through interviews with nine secondary STEM subject teachers and focus on teachers’ perceptions of the effects of including literature, what/how literature has been included, and the perceived barriers to doing so. Interviews were conducted online via Zoom and coded using NVivo software. A review of the literature demonstrates that integrating literature into STEM can be appealing to a broad range of students and teachers and can help to engage students with a variety of interests, perspectives, and backgrounds. Literature can facilitate the inclusion of a variety of perspectives (i.e., Indigenous ways of knowing). The arts, including the literary arts, are a part of STEAM education, which focuses on interdisciplinary or transdisciplinary approaches to education. Furthermore, due to its multiple disciplinary nature, literature can present opportunities for students to learn holistically and help them to better understand the context of the content they are studying. Interview data suggest that literature can also help to make lessons memorable, build community within the classroom, and create opportunities for students and teachers to authentically represent themselves and the subject matter. Through exploration via a variety of educational approaches, students may be better able to find a pathway to engage with a subject. Participants in this study described several barriers they have faced in choosing to integrate literature in STEM classes, including time constraints, locating appropriate literary material, and managing the expectations of students, colleagues, administrators, and parents. However, the participants in this study all stated that they would continue to include literature in their classes in the future, despite the perceived barriers, and offered advice for teachers who may not yet have attempted to do so. The participants also found that student reactions to literature in STEM classes is generally positive, and they described some ways in which their assessment practices may change when integrating literature (i.e., marking holistically or using rubrics).
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,014 | 0,004 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».