MétaCan
Menu
Retour à la cohorte
Enregistrement W4239993657 · doi:10.11647/obp.0213.07

7. Design Education in the Anthropocene

2021· book-chapter· en· W4239993657 sur OpenAlexfundno aff
Eric Benson, Priscilla Ferronato

Notice bibliographique

RevueOpen Book Publishers · 2021
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueCultural Industries and Urban Development
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Alberta
Mots-clésBrainstormingAnthropoceneManagement scienceProcess (computing)Design thinkingEngineeringComputer scienceEngineering ethicsEngineering managementEnvironmental ethicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The following chapter by Eric Benson and Priscilla Ferronato discusses how teaching design through the process of systems thinking, as derived from the disciplines of both ecology and biology, is the best path forward to prevent the worst-case scenarios of climate change. Systems thinking is a process that can help designers to uncover the root cause of a problem and how it connects to the larger picture: people, profit and planet (and everything in between). The conditions of the Anthropocene mean that designers must be able to identify the social, political and environmental repercussions of their work – and take responsibility for them. This process empowers designers to evaluate and shift the emphasis of their outcomes to consider the demand put on our natural resources: where and how we get materials to produce our projects, who and what is affected by our decisions and what will happen to the project after it is implemented. The systems thinking process explored in this chapter is a four-step model (determine ¬project goals, map out the design problem, brainstorm design outcomes and evaluate each possible design outcome) as set forth in the 2017 book Design to Renourish: Sustainable Graphic Design in Practice. The authors, who are based at the University of Illinois at Urbana-Champaign, taught this systems thinking model over two years in three different courses to test its effectiveness and make improvements to the process, methods, tools and resources from one academic term to the next.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,005
Communication savante0,0050,004
Science ouverte0,0010,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0290,006

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,337
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Book PublishersMême sujetCultural Industries and Urban DevelopmentTravaux en français237 207