MétaCan
Menu
Retour à la cohorte
Enregistrement W4408041599 · doi:10.3389/feduc.2025.1524007

Art, music, and play as a teaching aid: applying creative uses of Universal Design for Learning in a prison science class

2025· article· en· W4408041599 sur OpenAlexaff
Philip J. Heron, Fabio Crameri, Elisabetta Febe Canaletti, Dalton Harrison, Sara Hashemi, P. Nigel Leigh, Sophia Narayan, Kiona Osowski, Rosa Rantanen, James A. Williams

Notice bibliographique

RevueFrontiers in Education · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueDiverse Music Education Insights
Établissements canadiensThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésClass (philosophy)PrisonMathematics educationComputer scienceVisual artsSociologyArtificial intelligencePsychologyArt

Résumé

récupéré en direct d'OpenAlex

Science, technology, engineering, and mathematics (STEM) subjects can be rigid in their teaching structure, creating barriers to education for students with more complex learning needs. As a result, there has been an increased need for compassionate pedagogy and adaptive education practices to provide multi-modal learning experiences—often referred to as Universal Design for Learning (UDL). Here, we outline our work in teaching science in prison that applies UDL principles to create different educational access points which are not solely focused on rote learning and reading text (which some students struggle with). We use creative practices, including art, music, and play, as a teaching aid for science subjects such as climate change, sleep, and space exploration. The key findings here being that the application of UDL principles combined to produce a positive classroom experience in a science class—with students feeling more that science is for everyone of every neurotype. Although our work here is tailored to the restrictive prison environment, the application of its core principles to education are fundamental practices that could be beneficial to a wide audience.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,421
Score d'incertitude au seuil0,377

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,274
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in EducationMême sujetDiverse Music Education InsightsTravaux en français237 207