AI, Audio, and Agriulture: Cross-Border Podcasting as a Tool for Digital Pedagogy and Sustainability Communication
Notice bibliographique
Résumé
As digital platforms reshape agri-food systems, podcasts offer an accessible way to share sustainability solutions globally. In agricultural and natural resource education, podcasting aligns with project-based learning, allowing students to develop communication skills through content creation. Guided by the dialogic communication model and a project-based learning framework, this study explores how international digital collaborations can enrich agricultural and natural resource communication education. This qualitative case study examined the experiences of students, instructors, and Canadian agricultural and natural resource experts during a U.S.-based podcasting course that produced a podcast series on sustainability. Research questions addressed attitudes toward AI use in podcast production and experiences collaborating to produce the podcast. Data sources included instructor reflections, student podcasts, and collaborator surveys. Thematic analysis identified key insights in instructional design, intercultural communication, and knowledge exchange. Findings showed that digital dialogue and international collaboration supported global thinking and knowledge mobilization. Themes related to AI use included the value of intercultural dialogue, interconnectedness of agricultural and natural resource systems, and innovations in sustainability. Themes related to collaboration highlighted appreciation for real-world communication opportunities, though logistical challenges were noted. This study highlights podcasting as a tool for enhancing science communication and advisory services. Future courses should integrate AI tools for editing and dissemination while addressing ethical concerns around voice representation and misinformation. Further research should explore student autonomy and the evolving role of AI in educational content production
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».