MétaCan
Menu
Retour à la cohorte
Enregistrement W7112223773

ГРАМОТНІСТЬ У ГАЛУЗІ ДАНИХ: ВИЗНАЧЕННЯ, ПІДХОДИ, НАПРЯМИ ФОРМУВАННЯ

2019· article· uk· W7112223773 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueThe Scientific Issues of Ternopil Volodymyr Hnatiuk National Pedagogical University Series pedagogy · 2019
Typearticle
Langueuk
DomaineComputer Science
ThématiqueInnovative Educational Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompetence (human resources)LiteracyPresentation (obstetrics)Big dataInformation literacyStatistics educationOfficial statistics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The article reveals the issues related to the formation of student’s data literacy. Definitions of statistical literacy and their development over time, approaches and ways of literacy formation, as well as the methods of teaching relevant courses are analyzed.Based on the analysis of the UN experts’ definition of data literacy, the content of the European Digital Competence Framework for citizens, the UNESCO Teachers’ ICT Competency Standards and the National Statistics Development Program of Ukraine until 2023, it is found that data literacy is considered one of the important 21st century skills. It is shown that the content of competence in the data field differs depending on what is taken as the basis: focus on working with scientific data, emphasis on education of citizens in the field of data, employers’ requirements for employees, requirements for teachers, students, analysts, etc. Understanding of adults’ data literacy develops over time. Currently, it is not enough to prepare only critical consumers of statistical information, the emphasis is on an effective approach, the ability to produce data, as well as understand the properties of big data, algorithms for processing and presentation to consumers, ethical implications and data privacy issues.An analysis of the experience of the developed countries (Australia, Canada, United Kingdom) on approaches to generating statistical literacy indicates the prospect of isolating different consumer segments and developing several levels of statistical literacy, from basic to advanced; society as a whole must be at a basic level and students, thought’s leaders and decision makers should be at an advanced level.New forms of student’s activity related to data analysis introduced by academics and practitioners are discussed: building art objects and storytelling based on data; shared data collection by citizens through mobile devices, “play with data” using modern data visualization services. Paths of updating statistical literacy courses for Ukrainian sociology students are outlined, based on a synthetic approach and taking into account the barriers that arise during studying quantitative methods courses

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Science ouverte, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,878
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,004
Études des sciences et des technologies0,0020,005
Communication savante0,0010,003
Science ouverte0,0080,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,347
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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