Developing scientific literacy with a cyclic independent study assisted CURE detecting SARS-CoV-2 in wastewater
Notice bibliographique
Résumé
The COVID-19 pandemic has exposed a high level of scientific illiteracy and mistrust that pervades the scientific and medical communities. This finding has proven the necessity of updating current methods used to expose undergraduates to research. The research in traditional course-based undergraduate research experiences (CUREs) is limited by undergraduate time constraints, skill level, and course structure, and consequently it does not attain the learning objectives or the high-impact, relevant studies achieved in graduate-level laboratories using a cyclic trainee/trainer model. Although undergraduate independent study (ISY) research more closely matches the structure and learning objectives of graduate-level research, they are uncommon as professors and universities typically view them as a significant time and resource burden with limited return. Cyclic independent study-assisted CUREs (CIS-CUREs) combine many positive aspects of ISY graduate-level research, and CUREs by pre-training ISY research lead to facilitate CURE proposal and project semesters in a cyclic model. The CIS-CURE approach allowed undergraduate students at Stetson University to perform and disseminate more rigorous, involved, long-term, and challenging research projects, such as the surveillance of SARS-CoV-2 in wastewater. In doing so, all students would have the opportunity to participate in a high-impact research project and consequently gain a more comprehensive training, reach higher levels of research dissemination, and increase their competitiveness after graduating. Together, CIS-CUREs generate graduates with higher scientific literacy and thus combat scientific mistrust in communities.
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 | 0,001 | 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) | 0,000 | 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 ».