Exploring scientific complexity with authenticity and inclusion: New curricula and assessment materials for phytobiome STEAM kits
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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