Art and music as a teaching aid for STEM subjects
Notice bibliographique
Résumé
Science, technology, engineering, and math (STEM) subjects have historically struggled to be inclusive and accessible to students from diverse backgrounds. Furthermore, STEM subjects have often been rigid in their teaching structure, creating barriers to education for students with more complex learning needs. Recently, there has been an increased need for compassionate pedagogy and adaptive education practices to provide multi-modal learning experiences. Our STEM outreach course, Think Like A Scientist, has been running in a number of English prisons since 2019, and started in Canada in 2023. Our students in prison often have diverse learning needs and the classroom presents numerous barriers (sensory, communication, processing, and regulation). This particularly impacts those considered with forms of neurodivergence (e.g., autism, ADHD, OCD, dyslexia, etc). In our teaching in prison, we have been conscious of creating different educational access points that is not focussed on rote learning and reading text (which some students struggle with). In particular, we have been using creative practices, including art, poetry and music, as a teaching aid for geoscience subjects such as climate change.In this submission, we outline how we have created a collaborative space between artist and student to co-create unique art and music that stimulates learning and engagement. Although our outreach programme is tailored to the restrictive prison environment, the application of its core principles to education are fundamental EDI practices that could be beneficial to a wide audience. Our work aims to increase educational engagement for students under the neurodivergent umbrella, fostering a classroom environment that is inclusive and accessible to all.  
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 | 0,001 |
| 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 | 0,001 |
| 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 ».