Examine an Intelligence Education Framework of Landscape Architecture (EFLA) Based on Network Model of Technology in Landscape Architecture (NMTLA)
Notice bibliographique
Résumé
The discipline of Landscape Architecture (LA) is currently expanding its disciplinary boundary. The supporting Technology in LA (TLA) is always evolving and optimized to solve environmental problems. Considering the uncertain classification of the current LA knowledge for education and the importance of technology in LA education, a refined education framework of LA is needed. This research first established a Network Model of Technology in LA (NMTLA) using Network Analysis (NA) and expert interviews. Then, this research proposed an Education Framework of LA (EFLA) based on the NMTLA. To build the NMTLA, this research identified 23 key categories of TLA through content analysis of secondary research. Then, the expert interview and network theory were used to analyze and visualize the relationships among the categories. By examining the degree centrality, closeness centrality, and betweenness centrality of different TLA, this study developed an EFLA which summarizes the twenty-three categories of TLA into four domains: core techniques, applied technologies, integrated technologies, and specific technologies. This study also proposes a series of suggestions for how to apply different categories of TLA in today’s and future LA education. The proposed NMTLA and EFLA in this research can contribute to the development of future LA higher education. They also can potentially address the Sustainable Development Goals (SDGs) in LA education and industry. However, the scope of this study is currently limited to LA education in the USA, which could be expanded to include a worldwide perspective in future research. To enhance the validity of the conclusions, a larger sample size for interviews should be employed in further studies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».