LEVERAGING THE WILDLIFE INSIGHTS PLATFORM TO BUILD AI LITERACY AND ANALYTICAL SKILLS IN FUTURE ENVIRONMENTAL SPECIALISTS
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.
Notice bibliographique
Résumé
The contemporary biodiversity crisis requires qualitatively new approaches to the training of environmental specialists who would be proficient with tools for the digital analysis of data from protected natural areas.The purpose of the study was to develop and evaluate the effectiveness of an educational approach based on the use of artificial intelligence tools to develop the competencies of environmental science students in the field of analyzing data from specially protected natural areas (SPNA).The pedagogical experiment involved 48 3rd-year students randomly assigned to the experimental (n = 24) and control (n = 24) groups.The experimental group underwent three-stage training to work with the Wildlife Insights platform to automatically identify animals in images from camera traps.The effectiveness of the approach was assessed by comparing the level of competency development, the quality of data analysis, and environmental thinking.The results showed a statistically significant superiority of the experimental group: the median total test score was 18.0 against 11.0 in the control group (U = 32.0,p < 0.001), the accuracy of species identification was 95.0% vs 78.0% (U = 89.5, p < 0.001), and task completion time was 2.9 times shorter.Students in the experimental group were more likely to identify complicated ecological patterns (87.5% vs 29.2%) and showed greater readiness to use digital tools in professional practice.The developed approach can be scaled for various environmental education programs, contributing to the goals of the Kunming-Montreal Framework for the effective management of protected natural areas.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle