Lessons Learned: A Reflection of Five Years of Engaging Educators with Digital Museum Resources
Notice bibliographique
Résumé
This article reports lessons learned from educator need-centered professional development offerings (PD) on accessing and using digital museum resources through the Smithsonian Learning Lab (SLL), a free, interactive platform for discovering digital resources, creating content with online tools, and sharing with communities of learners. Since the platform launched in late 2015, the Smithsonian Office of Education Technology has engaged more than 20,000 educators on the use of the SLL through PD that was offered both in-person and digitally, synchronously and asynchronously, frequently through partners within the network of Smithsonian Affiliate museums. Results from more than 1,100 aggregated surveys, 50 in-depth interviews, and five focus groups were triangulated and demonstrated that PD was associated with increased participants’ awareness of, skills in, and frequency in using the SLL, creating, and sharing content, and overall satisfaction with the platform. Educators, especially those who participated in PD, agreed with statements about successfully achieving student learning outcomes when using SLL in classrooms. Findings highlighted the importance of cultivating long-term, supportive relationships with PD participants and partners and offering consistently available support with museum staff well beyond the workshops. They also pointed to the value of user-centered marketing research and strategies to broaden the reach of digital learning resources. As museums and cultural organizations work to meet the increasing demand to engage educators digitally, these concrete lessons can be adapted and applied to institutions that provide access to digital resources to educators.
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 | 0,000 | 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 | 0,000 |
| 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 ».