Beyond Inclusion: Interrogating the Transformational Potential of Informal STEM Learning
Notice bibliographique
Résumé
Makerspaces and education networks are part of the same movement to increase cross-sector collaboration, expand informal STEM learning opportunities, provide professional development, and promote hands-on learning practices. Whereas makerspaces aim to shift power away from instructor-driven pedagogy toward user-centered learning, education networks coordinate learning opportunities and resources throughout a geographic region. In this dissertation, I examine how leaders of makerspaces and education networks grapple with the complexity of intersectionality in attempting to create opportunities for empowerment, skill development, and STEM equity with a particular focus on promoting feminism and anti-racism. In doing so, I examine the possibilities and limitations for how these entities may advance equity in education more broadly, which I understand as supporting culturally sustaining practices and redistributing resources in favor of learners of color, learners with disabilities, girls in STEM, rural learners, and learners in poverty. Chapter 1 explains my motivation for writing this dissertation and outlines the relationship between makerspaces and education networks. Chapter 2 provides an overview of literature on education networks and describes five mechanisms that networks use to achieve their goals. Chapter 3 focuses on a case study of one regional education network and discusses how participation has influenced the work of members. Chapter 4 examines how a feminist makerspace might be a model for more equitable STEM learning environments. Chapter 5 explores how an ecosystem approach supports informal STEM learning through interviews with feminist makerspace leaders from the United States and Canada. I conclude with the main takeaways from these studies as well as a reflection on what intersectional feminist networks might look like in practice.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».