MétaCan
Menu
Retour à la cohorte
Enregistrement W7116873505 · doi:10.55533/2325-5226.1554

Enhancing Youth Learning Outcomes of Travel Programs through Storytelling

2025· article· en· W7116873505 sur OpenAlexaboutno aff
Gary D. Ellis, Parisa Paymard, Dottie Goebel, Darlene Locke, William Zanolini, Emily Catalan, Kelley Ranly

Notice bibliographique

RevueJournal of Human Sciences and Extension · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueMedia Influence and Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNarrativeStorytellingPositive Youth DevelopmentYouth engagementProgram evaluationCultural learningEveningStudy abroad

Résumé

récupéré en direct d'OpenAlex

We conducted two studies to evaluate strategies that Extension educators may use to enrich youth travel program experiences. Study 1 evaluated the effects of telling stories about attractions before site visits on youth experiences and learning outcomes on site. Seventeen youth in a 4-H program designed to promote cultural understanding visited eight attractions in Costa Rica. The evening before visiting three sites, youth were told a fictional or cross-fictional story about the sites. The stories elicited imaginary travel to the site (narrative transportation). After visiting the sites, the youth reported the extent to which they felt like they were in a story (narrative re-visitation) while on-site. They also reported their anticipated impact of learning experiences on one of the program’s learning outcomes. Narrative transportation significantly increased narrative re-visitation. Both factors significantly increased the anticipated impact on learning outcomes. In Study 2, 35 4-H youth visited 12 agricultural sites in the Western U.S. and Canada. Three experimental conditions were created by an Extension educator: vastness emphasized via educator comments, vastness not emphasized, and baseline. The two treatment conditions produced greater awe than baseline. The relation between awe and anticipated impact on learning outcomes was significant.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,285
Score d'incertitude au seuil0,541

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,109
Tête enseignante GPT0,341
Écart entre enseignants0,232 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Human Sciences and ExtensionMême sujetMedia Influence and HealthTravaux en français237 207