Didactic experiences in the public realm: AI, interactivity, and playfulness for empowering eco-change
Notice bibliographique
Résumé
Artificial Intelligence (AI) rapidly adapts to diverse audience engagement modes in Digital Arts, either interactive or non-interactive forms. These engagements create potential alliances for intelligent eco-didactic environments in the public realm. Studies show that interactivity positively affects the learning experience; hence, the coalition between AI and Digital Art has the potential to result in enhanced eco-art experiences. This collaboration could augment the eco-message and lead to behavior shift. This paper explores the interactive engagement modes in different art mediums to identify their eco-didactic potential. The study adopts a mixed methods approach, engaging with causal-comparative qualitative content analysis research. We collected secondary data from various mediums to define the characteristics of the engagement modes in eco-art, digital art, and AI artworks. Finally, we interviewed mixed-media artists to explore the technologies used in these art mediums, the different engagement modes they adopt, and eco-didactic possibilities. As a result, we found that incorporating aspects such as interactivity, coherence, aesthetics, playfulness, and meaning, can increase the impact of eco-didactic experiences. In addition, AI creates new possibilities for these experiences with its popularity and features such as real-time data utilization, personalization, and generative reciprocal dialogues which facilitate the understanding of complex environmental issues.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».