Notice bibliographique
Résumé
In undergraduate science courses, students typically attend lectures without preparing in advance and are often overwhelmed with the quantity of new material they are being taught. In addition, instructors often teach new material without adequately assessing studentsâ prior knowledge and any misconceptions that students may have in relation to key concepts. These challenges can be addressed by incorporating pre-lecture activities, which help to prepare students for lecture by introducing them to key concepts in a structured way.\nPre-lecture activities facilitate student learning in three ways. First, students are introduced to core concepts before lecture to help identify misconceptions, activate prior knowledge and familiarize students with lecture material. Secondly, instructors can incorporate the pre-lecture questions into the lecture itself and provide student responses as discussion openers. Lastly, students are more likely to participate if they are familiar with the material and feel confident in their understanding. Therefore, pre-lecture activities help students prepare for lectures and provide a basis for interactive learning, without compromising the amount of content that can be taught during the lecture.\nThe purpose of this workshop is to prepare instructors to effectively incorporate pre-lecture activities into their courses. In addition to providing specific examples of pre-lecture activities, the workshop will also highlight how this teaching approach is supported by several learning theories, including constructivism, cognitive learning theory and Just-in-Time Teaching (JiTT) pedagogy. Lastly, the workshop will emphasize the adaptability of pre-lecture activities and how they can be incorporated into any science course. Workshop participants will have the opportunity to discuss different types of pre-lecture activities and different ways of implementing them into their courses.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».