ELEVATE-US-UP: Designing and Implementing a Transformative Teaching Model for Underrepresented and Underserved Communities in New Mexico and Beyond
Notice bibliographique
Résumé
This paper presents the development, implementation, and outcomes of the ELEVATE-US-UP (Engaging Learners through Exploration of Visionary Academic Thought and Empowerment in UnderServed and UnderPrivileged communities) teaching methodology, an equity-centered, culturally responsive pedagogical framework designed to enhance student engagement, academic performance, and science identity among underrepresented learners. This framework was piloted at Northern New Mexico College (NNMC), a Hispanic- and minority-serving rural institution. ELEVATE-US-UP reimagines science education as a dynamic, inquiry-driven, and contextually grounded process that embeds visionary scientific themes, community relevance, trauma-informed mentoring, and authentic assessment into everyday instruction. Drawing from culturally sustaining pedagogy, experiential learning, and action teaching, the methodology positions students not as passive recipients of content but as knowledge-holders and civic actors. Implemented across upper-level environmental science courses, the method produced measurable gains: class attendance rose from 67% to 93%, average final grades improved significantly, and over two-thirds of students reported a stronger science identity and a newfound confidence in their academic potential. Qualitative feedback highlighted increased perceptions of classroom inclusivity, community relevance, and instructor support. By centering on cultural context, student voice, and place-based application, the ELEVATE-US-UP framework offers a replicable and scalable model for educational transformation in underserved regions.
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 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 | 0,002 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».