Small-Group Learning in an Upper-Level University Biology Class Enhances Academic Performance and Student Attitudes Toward Group Work
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
To improve science learning, science educators' teaching tools need to address two major criteria: teaching practice should mirror our current understanding of the learning process; and science teaching should reflect scientific practice. We designed a small-group learning (SGL) model for a fourth year university neurobiology course using these criteria and studied student achievement and attitude in five course sections encompassing the transition from individual work-based to SGL course design. All students completed daily quizzes/assignments involving analysis of scientific data and the development of scientific models. Students in individual work-based (Individualistic) sections usually worked independently on these assignments, whereas SGL students completed assignments in permanent groups of six. SGL students had significantly higher final exam grades than Individualistic students. The transition to the SGL model was marked by a notable increase in 10th percentile exam grade (Individualistic: 47.5%; Initial SGL: 60%; Refined SGL: 65%), suggesting SGL enhanced achievement among the least prepared students. We also studied student achievement on paired quizzes: quizzes were first completed individually and submitted, and then completed as a group and submitted. The group quiz grade was higher than the individual quiz grade of the highest achiever in each group over the term. All students--even term high achievers--could benefit from the SGL environment. Additionally, entrance and exit surveys demonstrated student attitudes toward SGL were more positive at the end of the Refined SGL course. We assert that SGL is uniquely-positioned to promote effective learning in the science classroom.
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 | 0,003 | 0,000 |
| 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 | 0,002 |
| 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 découle