Problemfelt
Titel: Scholia som del af en verdensgøringspraksis
Med teoretisk basis i Ernst Scraubes nye bog
(dvs. mere præcist de teorier som han lægger til grund - eller hvad de mere simplistisk modsvarer indenfor vores pensum)
vil vi undersøge vores egen og studiekollegers gruppearbejdspraksis
i foregående og nuværende semester,
hhv. med og uden inddragelse af de grafrevne redskaber Scholia og Hypothes.is.
Viden kan formidles på flere måder.
Indsigt kan opnås på flere måder,
og indsigt gennem læring involverer formidling af viden.
Roskilde Universitet anvender problemorienteret projektlæring
som pædagogisk princip.
Vi er i det 21. århundrede
med store muligheder med og forventninger til digitale teknologier.
Roskilde Universitet er en institution med begrænsede ressourcer.
Det er udfordrende at studere,
og nogen, men ikke al hjælp er gavnlig for læring.
Mange studerende og læringsfacilitatorer oplever udfordringer
med at håndtere komplekst tekstmateriale
og skabe meningsfuld forståelse
og sammenhæng mellem tekster.
Vores problemfelt fokuserer specifikt på behovet
for at understøtte pædagogisk læring og PPL
(Problemorienteret Projektlæring)
ved hjælp af datadrevne teknologier som f.eks. grafteori.
Vi vil undersøge,
om problemorienteret projektlæring (PPL),
med kernebegreber
som stilladsering, bridging og constructive alignment,
ville styrkes eller modvirkes
af at inddrage grafbaserede værktøjer som Scholia og Hypothes.is i læringsprocessen.
Scholia analyserer forbindelser mellem videnskabelige videnselementer
som udgivelser, forfattere, videnskabelige begreber og mere generelle temaer,
og tilbyder udvidede navigationsmuligheder mellem dem.
Hypothes.is registrerer annotationer til websider og PDF-dokumenter.
Vores hypotese er,
at disse værktøjer, hensigtsmæssigt anvendt,
kunne støtte studerendes læring.
I vores undersøgelse i problemfeltet
har vi taget flere fravalg.
Vi undgår "magiske teknologier" som kunstig intelligens.
Selvom AI-teknologier kan være kraftfulde værktøjer,
ønsker vi at fokusere på mere tilgængelige og bæredygtige løsninger,
da "omkostningerne til deep learning-modeller [...] er kendt for at være massive"
[@Selvan_2023, vores oversættelse].
Vi søger i stedet at udforske løsninger,
der er baseret på eksisterende teknologier og metoder,
som effektivt kan implementeres og bruges af alle.
Vi undgår lukket software.
Grundkravene om gennemsigtighed og genbrugelighed
ved Fri software og (delvist) ved åbne standarder
gør dem væsentligt nemmere for os at undersøge videnskabeligt,
og for andre at efterprøve.
