Acid–Base Learning Outcomes for Students in an Introductory Organic Chemistry Course
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An outcome-based approach to teaching and learning focuses on what the student demonstrably knows and can do after instruction, rather than on what the instructor teaches. This outcome-focused approach can then guide the alignment of teaching strategies, learning activities, and assessment. In organic chemistry, mastery of organic acid–base knowledge and skills are particularly essential for success. For example, Brønsted acid–base knowledge and skills are required in greater than 85% of the more complex organic and biochemical reactions we analyzed in this study. Despite the importance of mastering acid–base concepts and skills, the literature describes many related student difficulties. We identified essential learning outcomes (LOs) in organic acid–base chemistry by (1) analyzing more complex organic reactions to identify the acid–base-related skills and knowledge that students would need to successfully analyze those reactions and (2) analyzing textbooks’ explanations and coverage of acid–base chemistry. We constructed the learning outcomes using the Structure of Observed Learning Outcomes (SOLO) and modified Bloom taxonomies, as well as SMART (specific, measurable, achievable, relevant, and time-bounded) goal-setting principles. We explicitly aligned our courses’ learning activities and assessments with those intended learning outcomes, both in the initial introduction of acid–base chemistry and as we analyze more complex reactions. To clearly communicate these LOs to students and other educators, we described them in an educational graphic.
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle