Rethinking <scp>GIScience</scp> Education in an Age of Disruptions
Notice bibliographique
Résumé
ABSTRACT GIS and GIScience education have continually evolved over the past three decades, responding to technological advances and societal issues. Today, the content and context in which GIScience is taught continue to be impacted by these disruptions, notably from technology through artificial intelligence (AI) and society through the myriad environmental and social challenges facing the planet. These disruptions create a new landscape for training within the discipline that is affecting not only what is taught in GIScience courses but also who is taught, why it is being taught, and how it is taught. The aim of this paper is to structure a direction for developing and delivering GIScience education that, amid these disruptions, can generate a capable workforce and the next generation of leaders for the discipline. We present a framework for understanding the various emphases of GIScience education and use it to discuss how the content, audience, and purpose are changing. We then discuss how pedagogical strategies and practices can change how GIScience concepts and skills are taught to train more creative, inclusive, and empathetic learners. Specifically, we focus on how GIScience pedagogy should (1) center on problem‐based learning, (2) be open and accelerate open science, and (3) cultivate ethical reasoning and practices. We conclude with remarks on how the principles of GIScience education can extend beyond disciplinary boundaries for holistic spatial training across academia.
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 | 0,009 | 0,013 |
| 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 | 0,007 | 0,021 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».