MétaCan
Menu
Retour à la cohorte
Enregistrement W1951000512 · doi:10.22329/celt.v7i1.4147

2013 Alan Blizzard Award Feature Article - Enriching Educational Experiences through UBC’s First Year Seminar in Science (SCIE113)

2014· article· en· W1951000512 sur OpenAlexaffvenue
Joanne Fox, Gülnur Bírol, Andrea Han, Alice Cassidy, Ashley Welsh, Joanne Nakonechny, Jim Berger, Simon M. Peacock, Lacey Samuels

Notice bibliographique

RevueCollected Essays on Learning and Teaching · 2014
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésArgumentation theoryArgument (complex analysis)Class (philosophy)Science classScientific writingDisciplineMathematics educationConstruct (python library)Science educationNext Generation Science StandardsPsychologySociologyPedagogyComputer scienceEpistemologyChemistrySocial science

Résumé

récupéré en direct d'OpenAlex

The First Year Seminar in Science (SCIE113) was developed during 2009/2010 academic year through an exemplary collaboration between faculty, administrators and educational support staff in the Faculty of Science at the University of British Columbia (UBC). SCIE113 reflects the vision and values of the Faculty of Science and UBC by offering an enriched educational experience to its first year students. The small class format provides students an intimate connection with faculty, an opportunity for significant engagement early in their academic careers, and helps with transitioning to the university environment.The overall goal of SCIE113 is to introduce skills that cross disciplinary boundaries and that every scientist and student in science must master: how to constructively build an evidence-based argument and how to communicate effectively. The overarching course goals are to define and discuss the elements of a scientific approach, to think like a scientist, and to communicate science through writing. SCIE113 fosters the development of authentic scientific scholars through the construction, integration, and use of argumentation skills and through an exploration of science as a way of knowing using a collaborative class environment. SCIE113 engages students in interactive and collaborative activities and promotes learning of scientific argumentation and writing skills. In-class and out-of-class activities allow students to frequently discuss, debate, and defend their views of science. Specific learning activities such as case studies, targeted readings, and examinations of media and scientific articles allow students to evaluate the validity of scientific claims and to construct a scientific argument. Meanwhile, activities such as reflections, in-class writing, peer review, and discussions on the fundamentals of writing help students to improve their writing skills which are assessed by three short essays and a term project. The guided peer review process, which fosters collaboration, enables students to provide expert-like feedback to their peers. Faculty and TA feedback completes the review process. SCIE113 is an exemplary model of collaboration and is guided by best practices in instructional design.SCIE113 is a model of collaborative course design and instruction with a large, multi-disciplinary teaching team. The design of SCIE113 is guided by best practices and continues to evolve in response to emerging research. The teaching team consists of faculty and teaching assistants from 14 different departments, representing four Faculties, with a wide range of expertise and experience in fostering student learning. The teaching team meets bi-weekly to cultivate reflective practice and to support faculty in their professional development for teaching this writing intensive course.SCIE113 is informed by the scholarship of teaching and learning.SCIE113 is informed by comprehensive research that is incorporated into course design and implementation and utilizes validated assessment tools. Frequent feedback from students and faculty, and measures of perceived and actual learning gains, ensure successful course implementation and promote student learning.

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)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,061
Score d'incertitude au seuil0,205

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0060,002
Communication savante0,0080,003
Science ouverte0,0010,006
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0610,013

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 Opus0,017
Tête enseignante GPT0,346
Écart entre enseignants0,329 · 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'étudeSans objet
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

Citations9
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCollected Essays on Learning and TeachingMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207