Notice bibliographique
Résumé
This article examines the integration of literature into secondary STEM (science, technology, engineering, mathematics) classes in British Columbia, Canada. Data were collected through interviews with nine secondary STEM subject teachers and focus on teachers’ perceptions of the effects of including literature, what/how literature has been included, as well as the barriers, both real and perceived, to doing so. A review of the literature demonstrates that integrating literature into STEM can be appealing to a broad range of students and teachers and can help to engage students with a variety of interests, perspectives, and backgrounds. The arts, including the literary arts, are a part of STEAM (science, technology, engineering, arts, mathematics) education, which focuses on interdisciplinary or transdisciplinary approaches to education. Furthermore, due to its multiple disciplinary nature, literature can present opportunities for students to learn holistically and help them to better understand the context of the content they are studying. Interview data suggest that literature can also help to make lessons memorable, build community within the classroom, and create opportunities for students and teachers to authentically represent themselves and the subject matter. Participants in this study described several barriers they have faced in choosing to integrate literature in STEM classes, including time constraints, locating appropriate literary material, and managing the expectations of students, colleagues, administrators, and parents. However, the participants in this study all stated that they would continue to include literature in their classes in the future, despite the barriers.
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) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».