The Impact of Staff Interaction in the Learning Experience of Visitors to a Science Centre: An Initial Framework for Facilitation
Notice bibliographique
Résumé
El propósito este trabajo es explorar cómo la interacción con el personal en un centro de ciencia impacta el porcentaje de visitantes que presentan comportamientos de aprendizaje en la categoría “breakthrough” del Visitor Engagement Framework (Barriault, 1999 y 2010). En particular, analicé los comportamientos de visitantes y personal en exhibiciones de Science North (Sudbury, Ontario) en los últimos 10 años. Aunque los investigadores coinciden en que el aprendizaje ocurre en los museos y centros de ciencia, y que el personal desempeña un papel significativo, evaluar el impacto de las interacciones entre el visitante y el personal puede ser difícil y costoso. Por esta razón, este estudio utiliza el Visitor Engagement Framework, una herramienta práctica basada en teorías de aprendizaje, que es sumamente efectiva para evaluar el potencial de aprendizaje de una exhibición. A través de la observación de visitantes y el análisis de sus interacciones y conversaciones, Barriault y colaboradores (1999, 2010) desarrollaron una herramienta práctica basada en teorías de aprendizaje constructivista. En el Visitor Engagement Framework, la evaluación del aprendizaje no se centra en las ganancias cognitivas, sino que tiene en cuenta las condiciones, procesos e interacciones que conducen al aprendizaje. La herramienta consta de siete comportamientos de aprendizaje discretos que los visitantes muestran al interactuar con exhibiciones, que se agrupan en tres categorías (initiation, transition y breakthrough). Estas categorías reflejan niveles crecientes de involucramiento y profundidad de la experiencia de aprendizaje. Los comportamientos “breakthrough" son comportamientos y actividades observables que reflejan que el visitante está totalmente inmerso y comprometido con la experiencia de aprendizaje y reconoce su relevancia para su vida personal. Este trabajo tiene dos fases complementarias. En la primera fase, el objetivo es determinar qué impacto (si alguno) el personal de Science North tiene en los comportamientos de aprendizaje de los visitantes. En la segunda fase, a través de un análisis de temas emergentes, el objetivo es explorar qué hacen y dicen para tener ese impacto. El presente estudio encontró que la presencia de un integrante del personal facilitador de Science North (“Bluecoat”) tiene un impacto claro, cuantificable, y estadisticamente significativo en el porcentaje de visitantes que muestran comportamientos “Breakthrough”. Cuando un Bluecoat está presente, más visitantes llegan a Breakthrough (p < 0.001). Para producir este impacto, los Bluecoats usan estrategias y métodos que se pueden agrupar en 4 categorías o dimensiones: confort, información, reflección y uso de exhibición. Estas cuatro dimensiones delimitan un marco conceptual inicial para la comprensión de la interacción facilitador-visitante. Los Bluecoats recurren a muchas estrategias diferentes, en una variedad de secuencias, adaptadas a cada visitante y exhibición, para lograr una experiencia de aprendizaje rica y valiosa. El marco conceptual desarrollado en este trabajo puede servir como una herramienta de evaluación para centros de ciencias y otros espacios de aprendizaje de ciencias no formal, para comprender mejor cómo el personal puede enriquecer las experiencias de aprendizaje de los visitantes, e incluso para el desarrollo de exhibiciones y experiencias que promuevan el aprendizaje y la interacción con facilitadores.
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 | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,012 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».