Facilitating Scientific Inquiry Skills through Fiction-Based Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Scientific inquiry skills (e.g., observation, critical analysis, hypothesis generation) are the cornerstone of scientific training, yet these skills are seldom taught. Consequently, an inquiry-based course was created at McMaster University, Science of Fictional Characters, that facilitates students to develop scientific inquiry skills. By analysing the feasibility of fictional characters in the real world, students apply and understand concepts in various scientific disciplines (e.g., biology, psychology, physics). This course embeds a variety of active learning strategies to foster the development of skills relevant to the scientific process, including group projects, written reflections, and Socratic discussions and debates. To gather student opinions about the effectiveness of the course, we administered an end-of-term survey, a modified version of the Course Interest Survey (CIS). This self-reported CIS included five subscales: student attention, relevance, confidence, satisfaction, and scientific inquiry skill development. Of the 17 surveys completed, on average the subscales scored above four on a five-point scale. Additionally, we performed a thematic analysis on 15 reflective assignments. Qualitatively, 10 codes were extracted from the student testimonies, which were grouped into four themes: student satisfaction, perceived applicability, course flexibility, and barriers to learning. Both data types revealed that students were engaged with the course and felt they improved their scientific inquiry skills. Our data further suggest the course would benefit from additional foundational scientific content. Nevertheless, the study provides an example of how fiction and an active learning model can create an engaging, skills-based learning environment in a science course.
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.
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 | 0,008 | 0,007 |
| 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 | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle