Adventures in (geo)science communication: mapping outreach practices into university classrooms
Notice bibliographique
Résumé
Science, technology, engineering, and mathematics (STEM) subjects have historically struggled to be inclusive and accessible to students from diverse backgrounds. Furthermore, STEM subjects have often been rigid in their teaching structure, creating barriers to education for students with more specific (or unrecognised) learning needs. Our STEM outreach course, Think Like A Scientist, has been running in a number of English prisons since 2019, and started in Canada and Australia over the past two years. Our students in prison often have diverse learning needs – a classroom often presents numerous barriers (sensory, communication, information processing, and regulation) which particularly impacts neurodivergent students (e.g., autism, ADHD, OCD, dyslexia, etc.). In our teaching in prison, we have been conscious of creating different educational access points that are not solely reliant on rigid teaching structures.Although our outreach programme is tailored to the restrictive prison environment, the application of its core principles are fundamental Equity, Diversity, and Inclusion (EDI) practices that can be applied to university-level teaching and supervision. Here, we outline the choices we have made in prison education to increase educational engagement for those within the neurodivergent umbrella – and how these choices can map onto university teaching to widen participation for STEM students. Specifically, we will describe our university campus work in a few key areas: creating relatable science content for our geoscience student body, giving students a voice in their education, adding reflection activities, and fostering a classroom environment that is inclusive and accessible to all. Finally, we welcome an open discussion on potential best inclusive practices in the geosciences.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».