The Foundation and Building Blocks of Inclusive and Equitable Classrooms in STEM
Notice bibliographique
Résumé
Equity and Inclusion are matters of Justice, a laudable goal in its own right. They are further matters of Justice in science, technology, engineering, and mathematics (STEM) classrooms. There have been calls across the globe for more diversity in the workforce. Specifically in Canada and the United States of America, there is a need for diverse problem solvers to tackle the unique challenges societies face today. STEM disciplines provide individuals with the skills to help solve these problems, but are also disciplines that push out individuals from underrepresented groups, and therefore lack diversity. We see a great attrition of qualified individuals and diversity at the university level that perpetuates the lack of diversity in the workforce. One research area of discipline-based education research (DBER) assesses how equitable and inclusive classrooms can support and retain individuals from underrepresented groups in their fields. While the evidence of how to use equitable and inclusive classroom practices and tools is vast, these practices and tools are not fully accepted by the wider teaching community at the university level. We discuss what equity and inclusion are, the current state of STEM disciplines and the (lack of) progress toward equity and inclusion and the effect of retention of individuals from underrepresented groups. We provide a discussion on two main teaching practices in STEM classrooms, traditional lecturing and active learning, and where these practices uplift or fail students, especially those underrepresented in their discipline. These discussions aim to help the reader start their journey toward a better understanding of equity and inclusion in STEM classrooms.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».