Les indicateurs que les jeunes utilisent pour repérer la présence de problèmes environnementaux dans leur milieu
Bibliographic record
Abstract
Les problèmes environnementaux ne sont pas faciles à observer dans un milieu donné. Pour cette raison, les experts utilisent des indicateurs scientifiques pour reconnaitre la présence de ces problèmes. La recherche présentée avait pour objectif d’identifier les indicateurs que les élèves du primaire utilisent pour repérer un problème environnemental en milieu côtier. Les élèves de 2e, 3e, 4e, 6e et 8e ont été interrogés sur différents aspects de l’environnement : la santé des plantes, des animaux sauvages, des cours d’eau, de la zone côtière et des espèces du littoral. Les outils de collecte de données utilisés sont le questionnaire et l’entrevue d’explicitation. Les résultats de la recherche indiquent que les principaux indicateurs de santé employés par les élèves sont la couleur des plantes (2e et 8e années), le mouvement et la taille des animaux (3e et 8e années), et l’absence de pollution (déchets) dans les cours d’eau et dans la zone côtière (4e et 8e années). Ainsi, les élèves emploient principalement des indicateurs faisant appel à leurs sens, ce qui résulte en une conscience limitée des problèmes locaux. Des recommandations pédagogiques sont formulées pour améliorer les perceptions environnementales des élèves.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".