Seeing Our World Through Data: Sixth Graders Integrating Data Investigations in Collaborative Knowledge Building
Notice bibliographique
Résumé
Data science, as a multidisciplinary field, has gained considerable interest in K-12 education. Prior research has explored innovative ways to introduce data science to young learners, emphasizing not only the development of data skills but also the connection of data science to students’ authentic inquiries and critical actions. Building on this foundation, this study aims to achieve two complementary goals: integrating Knowledge Building, a well-established pedagogical approach, into K-12 data science education, and enhancing students' epistemic agency through data practices in knowledge building. To achieve these goals, we engaged a class of 6th-grade students in building knowledge about global issues, supporting their exploration of public datasets related to these topics. Following the Knowledge Building framework, students collaborated to construct explanatory theories, analyzing public datasets to inform and refine their theoretical understandings. Findings revealed that, with appropriate pedagogical and technological supports, 6th-grade students were able to engage in a range of data practices when working with public datasets, derive meaningful interpretations of data visualizations, and contribute to theory-building discussions informed by their data investigations. This study highlights the potential of situating data science within students’ interdisciplinary engagement with authentic problems and demonstrates how supporting data practices can enhance their knowledge-building processes.
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 | 0,015 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,024 | 0,007 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».