Identifying Chemistry Students’ Baseline Systems Thinking Skills When Constructing System Maps for a Topic on Climate Change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
New resources have recently been emerging for educators to implement systems thinking (ST) in chemistry education, including a proposed set of ST skills. While these efforts aim to make ST implementation easier, little is known about how to assess these skills in a chemistry context. In this study, we investigated ST skills employed by students who constructed system maps of a topic related to climate change. Eighteen undergraduate chemistry students from first- to third-year participated in this study. We designed and implemented a ST intervention to capture how students engaged with three ST tasks, performed individually and collaboratively. In our analysis, we focused on 11 ST skills that aligned with five characteristics proposed in a recent study. We found that participants demonstrated most of these ST skills when engaging with the ST tasks, with nuances. Participants' system maps: (1) lacked concepts and connections at the submicroscopic level, (2) included multiple types of connections but few circular loops and causal connections, (3) lacked causal reasoning, although participants did predict how their system maps changed over time, (4) demonstrated the breadth of connections but did not describe human connections to the underlying chemistry of climate change topics. These findings identify aspects of ST where chemistry educators need to place emphasis when teaching ST skills to chemistry students and when guiding learning activities and other assessments. Using our findings, we created an adaptable ST rubric for the chemistry community as a tool for assessing ST skills.
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.
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 | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découle