Supporting Alignments in Scientific Activity: Moving Across Question, Evidence, and Explanation
Notice bibliographique
Résumé
A core practice of science is planning and conducting investigations.This practice needs reconceptualizing, to account for where work happens between identifying a phenomenon and designing an investigation, and between gathering and analyzing data to support developing an explanation of that phenomenon (Manz et al., 2020).Teachers, supported by curriculum materials, need to engage students in becoming more involved in the decisions related to what data to choose as evidence, how to represent data to answer specific questions, and what conclusions can be drawn from data.We present results of a design study in which students investigated a dataset to answer a question about a major change to an ecosystem, using a technology tool, CODAP.We explore how the curriculum and teacher supported students in taking up different facets of data practices that support figuring out a phenomenon while moving between investigating and developing explanatory models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,399 | 0,499 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,019 | 0,011 |
| Études des sciences et des technologies | 0,013 | 0,079 |
| Communication savante | 0,039 | 0,075 |
| Science ouverte | 0,015 | 0,040 |
| Intégrité de la recherche | 0,018 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».