Exploring scientific complexity with authenticity and inclusion: New curricula and assessment materials for phytobiome STEAM kits
Notice bibliographique
Résumé
Abstract It has been noted we are in a post‐truth era and unfortunately misinformation exists even in science. Furthermore, polarization of society is negatively impacting debate. Critical thinking, systems thinking, and thoughtful creative innovation can help combat such negative pressures on science. A phytobiome approach involves studying a plant as its own ecosystem or biome (plant, its associated organisms, and its environment). It also has complexity, including multiple hypothesis testing approaches, that can be missing in science literacy programming. We developed a new curriculum for phytobiome science, technology, engineering, arts, and mathematics (STEAM) kits. Our four phytobiome STEAM kits (preschool to grade 3, grade 4–7, grade 8–12, and adult) teach a phytobiome thinking approach using creative methods such as poetry, drawing, and so on, specifically in (i) hypothesis generation, (ii) study design, (iii) complexity in science, and (iv) STEAM reflection. We also use newly created (in another publication) plant, environments, associated organisms, and interactions model tables. To our knowledge, this is the first time phytobiome science literacy material has been created for such a wide range of ages and with incorporating the arts to help with inclusion and engagement, complexity, creativity, and critical thinking promotion. Our authorship team consists of students (high school and undergraduate), educators, and scientists, which in itself is a useful contribution, as we co‐created the kits. The curriculum material and other information in this article can foster future studies.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».