Bibliographic record
Abstract
Forskere, der er ansat på universiteter eller på professionshøjskoler bliver mere og mere presset. Ud over at skulle undervise på højt akademisk forskningsbaseret niveau, at reflektere og dokumentere egen praksis, hele tiden at være fagligt up-to-date, forventes det også at der forskes og at resultaterne publiceres i højt estimeret tidsskrifter. Det kan være en svær balancegang – specielt når det omfatter kvalitative feltstudier af menneskelige relationer. En ressource der er lige for, er at involvere studerende i indsamling og evt. fortolkning af empirien. Udfordringerne ved at involvere studerende i forskningsprocessen og lade dem indsamle empiri er det centrale emne i præsentationen, der tager udgangspunkt i to konkrete forskningsprojekter omhandlende hhv. Inquiry Based Learning (IBL) i idrætsundervisningen, og kategorier af fysisk aktivitet i klasserumsundervisning i folkeskolen. En undersøgelse af hvordan IBL påvirkede motivationen og læringsprocesserne hos idrætslærerstuderende på University College Nordjylland blev undersøgt i samarbejde med idrætslærerunderviser lektor Poul Ravn Stidsen. Baseret på erfaringer fra dette projekt, var grupper af idrætsstuderende fra AAU under vejledning ansvarlig for IBL idrætsforløb i folkeskolen. Den indsamlede empiri består af videooptagelser af elevernes IBL arbejde i idrætsundervisningen, samt interview med udvalgte grupper med fokus på elevernes motivation for undervisningsmetoden. Det andet projekt fokuserede på elevers fysiske aktivitet i folkeskolen ud over idrætsundervisningen. Efter initierende videoobservationer og accelerometermålinger af en 7. klassers elevers fysisk aktivitet igennem en tilfældig uge, har idrætsstuderende ved AAU indsamlet videoobservationer af elever i overbygningen og deres fysiske aktivitet i den ikke-idrætsfaglige undervisning. Spørgsmålet der ønskes debatteres, er hvorvidt vi som forskere kan lade studerendes videoobservationer og interviewtransskriptioner indgå på lige fod med andre former for empiri, vi selv indsamler i forbindelse med forskningsprojekter? Hvordan sikre vi os reliabilitet og validitet af data, og er der etiske dilemmaer forbundet med at lade ikke-forskerudannede selvstændigt indsamle empiri, der efterfølgende danner grundlag for publikationer?
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 | 0.027 | 0.054 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.019 | 0.013 |
| Open science | 0.003 | 0.015 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.119 | 0.056 |
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".