Conceptions and perspectives of data literacy in secondary education
Notice bibliographique
Résumé
Abstract Data literacy has been suggested as an important competence that individuals need to succeed in a data‐intensive society. However, there is no common understanding as to what data literacy entails and how it could be developed. Instructional emphasis on developing competence of individuals fails to capture learners' relationship to data in everyday life and limits what they can possibly achieve in data‐rich environments. This paper critically reviews conceptualizations of data literacy in the literature with a focus in K‐12 education. The analysis determined four orientations of data literacy: development of competence, inquiry with data, awareness of personal data and civic engagement. I proposed a broader conceptualization of data literacy that integrates conceptions, competencies and contexts. The study offers holistic and context‐oriented framing of data literacy for researchers and educators. Practitioner notes What is known about the topic Data literacy is a potential buzzword in the recent literature. There are increasing calls for developing data literacy skills of students and the general public. Data literacy is framed and implemented as a technical competence. Accordingly, curricular interventions and pedagogical practices focus on making use of data and benefiting from available datasets. What this paper adds The above framing of data literacy is too narrow to be useful in everyday life and rarely considers individuals interaction with data outside of schools. This study develops four focus areas in the conceptualization of data literacy and suggests broader framing of the concept as it relates to everyday life. It also suggests context‐oriented approaches to data literacy education that can go beyond classrooms and academic activities. Implications for practice and policy This paper has implication for educators, researchers and policy makers. It allows boarder conceptualizations of data literacy that can be used in curricular interventions. It also provides ways of designing learning environments for the data literacy education and research.
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 | 0,011 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,038 |
| Communication savante | 0,020 | 0,010 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».