Learning Geospatial Concepts as Part of a Non-Formal Education Robotics Experience
Notice bibliographique
Résumé
In the increasingly modern and technological world, it has become common to use global navigation satellite system (GNSS), such as Global Positioning System (GPS), receivers, and Geographic Information Systems (GIS) in everyday life. GPS-equipped mobile devices and various Web services help users worldwide to determine their locations in real-time and to explore unfamiliar land areas using virtual tools. From the beginning, geospatial technologies have been driven by the need to make efficient use of natural resources. More recently, GPS-equipped autonomous vehicles and aircraft have been under development to facilitate technological processes, such as agricultural operations, transportation, or scouting, with limited or virtual human control. As outdoor robotics relies upon a number of principles related to science, technology, engineering, and mathematics (STEM), using such an instructional context for non-formal education has been promising. As a result, the Geospatial and Robotics Technologies for the 21st Century program discussed in this chapter integrates educational robotics and GPS/GIS technologies to provide educational experiences through summer camps, 4-H clubs, and afterschool programs. The project’s impact was assessed in terms of: a) youth learning of computer programming, mathematics, geospatial and engineering/robotics concepts as well as b) youth attitudes and motivation towards STEM-related disciplines. An increase in robotics, GPS, and GIS learning questionnaire scores and a stronger self-efficacy in relevant STEM areas have been found through a set of project-related assessment instruments.
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 | 0,001 |
| 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 ».