Crafting Glacial Narratives: Virtual Exploration of Alpine Glacial and Periglacial Features in Preston Park, Glacier National Park, Montana, USA
Notice bibliographique
Résumé
Virtual learning environments (VLEs) in physical geography education offer significant potential to aid students in acquiring the essential skills for the environmental interpretation of glacial and periglacial environments for geoscience careers. Simulated real-world field experiences aim to help the student evaluate landscapes for natural hazards, assess their intensity, and translate and communicate this information to various stakeholders in human systems. The TREE-PG framework and VRUI model provide a philosophical and practical foundation for VLE architects, aiming to cultivate students’ knowledge, skills, and identity as geoscientists, specifically as physical geographers and geomorphologists. These frameworks emphasize the importance of translating scientific knowledge from physical features into engaging, accessible online lessons, exemplified by landscapes like those in Glacier National Park, Montana. Open-source software and open educational resources (OERs) can broaden access and incorporate diverse perspectives in these experiences, which are necessary to address the impacts of vulnerable communities to global deglaciation. Designing and creating virtual proxies of field-based education may help address issues associated with inclusion and belonging within geoscience disciplines to connect all students with dynamic physical environments beyond the classroom. Ethical AI approaches and discipline-specific repositories are needed to ensure high-quality, contextually accurate VLEs. AI’s tendency to produce output necessitates using domain-specific guardrails to maintain relevance and precision in virtual educational content.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».