How can we make a large class feel like a small one?
Notice bibliographique
Résumé
Large classes have become standard at North American universities. Lecture halls with capacities for several hundred students were built to accommodate Ontario’s double-cohort, yet enrollments did not decline after they graduated. Administrators tout the cost-saving efficiencies of large classes however instructors find it challenging to engage students in higher order learning. In this study our main goal is to answer the question “Can we make a large class feel like a small one?” To answer this, we surveyed students and faculty in the College of Biological Science at the University of Guelph and performed a principal component analysis (PCA) on data about course structure and student outcomes. The survey showed that students and faculty agree that small classes generally have fewer than 40 students, and that the high end of a medium-sized class is approximately 200 students. There was disagreement, however on the maximum size of a large class, with instructors reporting higher overall class sizes compared to students (1000 versus 600 students). Results of our preliminary principal components analysis distinguished large classes from small classes by higher failure rates, apparent lower instructor availability, and a decreased number and variety of assessments. A few courses did not fit this classification, indicating that there are large classes that may mimic small classes. In a period of continually decreasing resources, including time, determining what can make a large class feel like a small class will give the instructor the best tools to make a difference in the large classroom.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».