Students’ Epistemic Commitments in a Heterogeneity-Seeking Modeling Curriculum
Notice bibliographique
Résumé
Research about modeling emphasizes the importance of heterogeneity in science learning. At the same time, a growing body of scholarship seeks curricular pathways for epistemic and representational convergence. In response to this tension, we propose two constructs: heterogeneity-seeking curricula and commitments. Heterogeneity-seeking curricula emphasize generating and valuing multiple representations of phenomena, offering an image of science that foregrounds messy, nonlinear aspects of learning. Commitments parallel epistemic cognition research by focusing on values that shape students’ modeling; however, rather than looking for disciplinary practices in students’ modeling, commitments take students’ values as a starting point, mapping them to disciplinary resources not typically foregrounded in science education. Using a lens of commitments, we analyze six implementations of a heterogeneity-seeking 6th grade modeling curriculum, and we compare the lens of commitments to the lens of epistemic ideals. Then, we show that, in this context, commitments functioned like epistemic ideals by acting as evaluative resources during modeling. However, commitments also extended beyond this role by helping students ask and explore questions that were not anticipated by the curriculum, problematizing a view of phenomena as objective and external to students’ modeling work and showing them instead to be a production of the classroom’s multidimensional modeling discourse.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».