The Impact of Staff Interaction in the Learning Experience of Visitors to a Science Centre: An Initial Framework for Facilitation
Bibliographic record
Abstract
El propósito este trabajo es explorar cómo la interacción con el personal en un centro de ciencia impacta el porcentaje de visitantes que presentan comportamientos de aprendizaje en la categoría “breakthrough” del Visitor Engagement Framework (Barriault, 1999 y 2010). En particular, analicé los comportamientos de visitantes y personal en exhibiciones de Science North (Sudbury, Ontario) en los últimos 10 años. Aunque los investigadores coinciden en que el aprendizaje ocurre en los museos y centros de ciencia, y que el personal desempeña un papel significativo, evaluar el impacto de las interacciones entre el visitante y el personal puede ser difícil y costoso. Por esta razón, este estudio utiliza el Visitor Engagement Framework, una herramienta práctica basada en teorías de aprendizaje, que es sumamente efectiva para evaluar el potencial de aprendizaje de una exhibición. A través de la observación de visitantes y el análisis de sus interacciones y conversaciones, Barriault y colaboradores (1999, 2010) desarrollaron una herramienta práctica basada en teorías de aprendizaje constructivista. En el Visitor Engagement Framework, la evaluación del aprendizaje no se centra en las ganancias cognitivas, sino que tiene en cuenta las condiciones, procesos e interacciones que conducen al aprendizaje. La herramienta consta de siete comportamientos de aprendizaje discretos que los visitantes muestran al interactuar con exhibiciones, que se agrupan en tres categorías (initiation, transition y breakthrough). Estas categorías reflejan niveles crecientes de involucramiento y profundidad de la experiencia de aprendizaje. Los comportamientos “breakthrough" son comportamientos y actividades observables que reflejan que el visitante está totalmente inmerso y comprometido con la experiencia de aprendizaje y reconoce su relevancia para su vida personal. Este trabajo tiene dos fases complementarias. En la primera fase, el objetivo es determinar qué impacto (si alguno) el personal de Science North tiene en los comportamientos de aprendizaje de los visitantes. En la segunda fase, a través de un análisis de temas emergentes, el objetivo es explorar qué hacen y dicen para tener ese impacto. El presente estudio encontró que la presencia de un integrante del personal facilitador de Science North (“Bluecoat”) tiene un impacto claro, cuantificable, y estadisticamente significativo en el porcentaje de visitantes que muestran comportamientos “Breakthrough”. Cuando un Bluecoat está presente, más visitantes llegan a Breakthrough (p < 0.001). Para producir este impacto, los Bluecoats usan estrategias y métodos que se pueden agrupar en 4 categorías o dimensiones: confort, información, reflección y uso de exhibición. Estas cuatro dimensiones delimitan un marco conceptual inicial para la comprensión de la interacción facilitador-visitante. Los Bluecoats recurren a muchas estrategias diferentes, en una variedad de secuencias, adaptadas a cada visitante y exhibición, para lograr una experiencia de aprendizaje rica y valiosa. El marco conceptual desarrollado en este trabajo puede servir como una herramienta de evaluación para centros de ciencias y otros espacios de aprendizaje de ciencias no formal, para comprender mejor cómo el personal puede enriquecer las experiencias de aprendizaje de los visitantes, e incluso para el desarrollo de exhibiciones y experiencias que promuevan el aprendizaje y la interacción con facilitadores.
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 | 0.009 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.008 | 0.012 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".