MétaCan
Menu
Retour à la cohorte
Enregistrement W1981222415 · doi:10.1371/journal.pone.0015821

Small-Group Learning in an Upper-Level University Biology Class Enhances Academic Performance and Student Attitudes Toward Group Work

2010· article· en· W1981222415 sur OpenAlexafffund
Andrew D. Gaudet, Leanne M. Ramer, Joanne Nakonechny, Jacquelyn J. Cragg, Matt S. Ramer

Notice bibliographique

RevuePLoS ONE · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensVancouver Coastal Health Research InstituteUniversity of British ColumbiaInternational Collaboration On Repair Discoveries
Organismes subventionnairesMichael Smith Health Research BCHeart and Stroke Foundation of Canada
Mots-clésMathematics educationClass (philosophy)PercentileGroup (periodic table)PsychologyWork (physics)Computer scienceMathematicsEngineeringStatisticsArtificial intelligenceChemistry

Résumé

récupéré en direct d'OpenAlex

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.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,173
Tête enseignante GPT0,364
Écart entre enseignants0,191 · 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

Citations93
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetInnovative Teaching MethodsTravaux en français237 207