MétaCan
Menu
Retour à la cohorte
Enregistrement W1827644105 · doi:10.5278/ojs.jpblhe.v1i1.272

Producing and scrounging during Problem Based Learning

2013· article· en· W1827644105 sur OpenAlexaff
William L. Vickery

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWikis in Education and Collaboration
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésExploitSocial learningContext (archaeology)Computer scienceResource (disambiguation)Knowledge managementBiology

Résumé

récupéré en direct d'OpenAlex

When problem based learning occurs in a social context it is open to a common social behaviour, scrounging. In the animal behaviour literature, scroungers do not attempt to find resources themselves but rather exploit resources found by other group members (referred to as producers). We know from studies of animal behaviour (including humans) that scrounging can be expected whenever animals exploit resources in groups. We also know that scrounging can have deleterious effects on the group. We can expect scrounging to occur during social learning because the exchange of information (which I will consider here as a resource) is essential to social learning. This exchange can be seen as each individual scrounging from the other members of the group whenever the individual learns from the work of others. However, there is a danger if some individuals learn mostly through their own efforts while others indulge in “social loafing” relying heavily on colleagues to provide knowledge. Here I propose that game theory models developed to analyse feeding in animal societies may also apply to social learning. We know from studies of birds feeding in groups that scrounging behaviour depends on the extent to which resources can be shared. Further, when scrounging is prevalent groups tend to obtain fewer resources. By contrast, in social learning we attempt to facilitate sharing of knowledge. We thus encourage scrounging and run the risk of reducing learning within study groups. Here I analyse the role of scrounging in problem based learning. I argue that scrounging is inherent and necessary to any social learning process. However, it can have perverse effects if the acquisition of facts rather than understanding comes to dominate learning objectives. Further, disparities among individuals within a group can lead certain individuals to specialise in scrounging thus undermining the functioning of the group. I suggest that motivation, problem structure, discussion group dynamics, attention to results expected from students and careful evaluation can be used to encourage scrounging as a cooperative tactic while minimising its negative impacts on group performance.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,226
Score d'incertitude au seuil0,721

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,265
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWikis in Education and CollaborationTravaux en français237 207