Collaborative Inquiry into Climate Change Information Literacy: A Participatory Approach with Young Learners
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study explores how participatory research and mentorship enhance critical information literacy (CIL) regarding climate change information.Grounded in socioconstructivist theory, the research involved a Grade 11 student mentor working with Grade 6 students.Findings indicate that through collaborative activities, students developed their knowledge about climate change-related topics and strategies for critically evaluating digital information, demonstrating increased empowerment and engagement. Major Issues addressedDeveloping critical information literacy among the younger generation-empowering them to seek, evaluate, utilize, and create digital information for informed personal and collective decision-making-is paramount in contemporary education (Osborne et al., 2022; UNESCO, 2023).Young people increasingly use social media as a source of science-related information, including topics on climate change (Greenhow et al., 2015;Kresin et al., 2023).While these platforms can inform students, they also expose them to entertaining, commercial, and pseudoscientific content (Allchin, 2023;Dolan et al., 2019;Httecke & Allchin, 2020;Mavrodieva et al., 2019).Given this mixed landscape of information, science and climate change education needs to adapt to equip students with effective strategies to evaluate the credibility of climate-related information on social media for informed decision-making (Breakstone et al., 2018;Kresin et al., 2023;Osborne & Pimentel, 2023).This research aims to address the gap in understanding how youth perceive and interact with climate change information and seeks to enhance their critical information literacy (CIL) skills.
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.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle