Using STEAM Principles and Experiences to Critique and Enhance a Transdisciplinary Collaboration Framework
Notice bibliographique
Résumé
STEAM interdisciplinary collaborations are essential to address complex 21st-century challenges, as they can offer new ways of learning, knowing, and collaborating with more holistic perspectives on the world. Transdisciplinary problem framing and knowledge creation can furthermore benefit deep and applied learning and guide projects. However, setting up teams across academic disciplines and practices to achieve meaningful and effective outcomes is challenging, and a coherent framework and repeatable approach could aid in their success. Today, no framework for STEAM collaborations addresses the entire collaboration cycle between project partners from diverse academic disciplines and non-academic backgrounds to systematically achieve transdisciplinary knowledge creation. This study presents a STEAM evaluation of a general framework for conducting transdisciplinary research (TDR) in three phases: TDR initiation, TDR management, and transdisciplinary knowledge exchange. This STEAM evaluation was based on the researchers’ experience and network of STEAM research and recent projects. A particular focus in this paper is to share insights into the challenges faced by diverse disciplinary collaborations with engineering students and engineers in achieving transdisciplinarity and how a STEAM lens to a TDR framework may help to prepare for or overcome these challenges. The study is expected to contribute to the development of a comprehensive framework for STEAM collaborations that could be used by researchers and practitioners to achieve transdisciplinary knowledge creation, be that in their research or teaching.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».