MétaCan
Menu
Retour à la cohorte
Enregistrement W1931733410 · doi:10.24908/pceea.v0i0.5744

SUCCESSES WITH TWO-STAGE EXAMS IN MECHANICAL ENGINEERING

2015· article· en· W1931733410 sur OpenAlexaffvenue
Markus Fengler, Peter Ostafichuk

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueProblem and Project Based Learning
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésClass (philosophy)Test (biology)PreferenceReading (process)Process (computing)Mathematics educationComputer scienceSubject (documents)Subject matterPsychologyPedagogyArtificial intelligenceWorld Wide WebMathematicsLinguistics

Résumé

récupéré en direct d'OpenAlex

Two-stage exams consist of a traditionalpencil-and-paper examination written in class byindividual students, followed immediately by a secondsitting in which the students retake the same exam inteams (i.e. a collaborative test). The team test providesan immediate opportunity for students to discuss, debate,teach, and receive feedback on the subject matter. Itdraws on principles of goal-directed practice, timelytargeted feedback, and collaborative learning.The practice of two-stage testing is a defining featureof the Team-Based Learning approach, and is used forintroductory reading quizzes that begin each coursemodule. These have been part of the instructionalapproach in Mechanical Engineering at the University ofBritish Columbia for over a decade. In 2014, we haveextended two-stage testing to include midterm and finalexaminations. To accommodate the team portion, examswere shortened by approximately one third and questionswere reformatted to be easier to complete in teams.Students report a strong preference this approach(72% in favour) and report a resulting improvement intheir understanding of the course material (75%). Examperformance gains have also been observed. In almost allcases, teams outperform their strongest member, and it isnot uncommon that the weakest team outperforms thestrongest individual in the class. As an added benefit, therevised question structure that makes it easier for studentsto collaborate on exam writing has also simplified andexpedited the marking process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,052
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,052
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0020,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,005

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 Opus0,013
Tête enseignante GPT0,250
Écart entre enseignants0,236 · 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 source (Gemma direct ou Codex distillé), 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

Citations12
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetProblem and Project Based LearningTravaux en français237 207