Developing Data Literacy through Real-Time Environmental Monitoring in Vocational STEM: A Dual-Tool Framework Integrating Atmospheric Physics and Computational Thinking

Elisa Mantovani Cazalini

doi:10.35542/osf.io/bzj2p_v1

PreprintDescarga libreInglés

Developing Data Literacy through Real-Time Environmental Monitoring in Vocational STEM: A Dual-Tool Framework Integrating Atmospheric Physics and Computational Thinking

Elisa Mantovani Cazalini

Año: 2026
DOI: 10.35542/osf.io/bzj2p_v1 (se abre en una pestaña nueva)
Licencia: CC BY

Resumen ADIPA

Elaborado con IA a partir del resumen de los autores

Artículo empírico que examina cómo el monitoreo ambiental en tiempo real mediante estaciones meteorológicas integra alfabetización de datos y pensamiento computacional en la educación técnica secundaria en ciencias, tecnología, ingeniería y matemáticas. La investigación utilizó una estación meteorológica compacta (SenseCAP S700 V2) en una escuela vocacional para generar 592.417 observaciones de alta frecuencia durante diciembre de 2024, implementando una progresión pedagógica de tres etapas: familiarización instrumental, análisis estadístico descriptivo en hojas de cálculo y modelado computacional en Python. Los resultados muestran que variables escalares continuas como la presión barométrica presentan comportamiento estable, mientras que variables angulares como la dirección del viento revelan discrepancias superiores a 65° entre tratamientos aritméticos y circulares. La agregación temporal de datos mostró transformación de correlaciones débiles (r = −0.09) a altamente coherentes (r = −0.98) en la relación temperatura-humedad. El marco dual herramientas-spreadsheets y Python facilita el desarrollo de alfabetización de datos sensible al contexto en educación técnica STEM.

Puntos clave

Las variables angulares como dirección del viento requieren análisis circular en lugar de aritmético, evitando discrepancias mayores a 65° en el cálculo de promedios.
La agregación temporal de datos meteorológicos en resolución horaria frente a minuto modifica sustancialmente la fuerza de correlaciones atmosféricas entre variables termodinámicas.
Una progresión pedagógica de tres etapas desde familiarización instrumental hasta modelado computacional en Python desarrolla pensamiento computacional y razonamiento estadístico contextualizado.
El monitoreo ambiental de alta frecuencia mediante estaciones meteorológicas en centros educativos genera oportunidades auténticas para enseñanza integrada de física atmosférica y análisis de datos.

Para quién: Docentes de educación técnica, formadores en ciencias STEM y diseñadores curriculares que buscan integrar análisis de datos real y pensamiento computacional mediante monitoreo ambiental accesible en instituciones de educación secundaria vocacional.

Resumen de los autores

Context: Integrating data science into vocational secondary STEM education requires pedagogical frameworks that balance computational depth with accessibility. This study examines how high-frequency meteorological data can support the development of statistical and physical reasoning through staged analytical progression. Methods: A SenseCAP S700 V2 7-in-1 compact weather station was installed at a vocational school, generating a dataset of 592,417 minute-resolution observations. Instruction was structured in three stages: (i) instrumentation familiarization; (ii) descriptive statistical analysis using spreadsheets; and (iii) physics-informed computational modeling implemented in Python. An analytical interval (2–9 December 2024) was selected to enable comparison between spreadsheet-based analysis and Python-based modeling while examining arithmetic and circular treatments of wind direction and scale-dependent thermodynamic coupling. Results: While continuous scalar variables such as barometric pressure exhibited low variance and stable behavior under linear modeling, angular variables revealed discrepancies exceeding 65° between arithmetic and circular means. Furthermore, initial minute-resolution analysis of the temperature-humidity relationship yielded a negligible correlation (r = −0.09), which transitioned to a highly coherent inverse thermodynamic relationship (r = −0.98) upon hourly climatological aggregation. These findings underscore the importance of model adequacy and temporal scale when interpreting atmospheric dynamics. Conclusions: The staged progression from descriptive aggregation to variable-specific modeling supported the development of context-sensitive data literacy. The dual-tool framework, combining spreadsheet-based exploration with computational validation, offers a transferable model for integrating environmental monitoring, statistical reasoning, and computational thinking in vocational STEM education. Keywords: Vocational Education and Training (VET), STEM, Data Literacy, Environmental Monitoring, Computational Thinking, Atmospheric Physics, Educational Framework

Áreas y palabras clave

Educación y psicopedagogía Atmospheric Physics Computational Thinking Data Literacy Educational Framework Environmental Monitoring Erasmus+Python SenseCAP S700 STEM Education VET Vocational Education and Training Weather Stations

Cómo citar (APA 7)

Cazalini, E. M. (2026). Developing Data Literacy through Real-Time Environmental Monitoring in Vocational STEM: A Dual-Tool Framework Integrating Atmospheric Physics and Computational Thinking. https://doi.org/10.35542/osf.io/bzj2p_v1

BibTeX RIS (Zotero, Mendeley, EndNote)CSL-JSON

Developing Data Literacy through Real-Time Environmental Monitoring in Vocational STEM: A Dual-Tool Framework Integrating Atmospheric Physics and Computational Thinking

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Developing Data Literacy through Real-Time Environmental Monitoring in Vocational STEM: A Dual-Tool Framework Integrating Atmospheric Physics and Computational Thinking

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Relacionados