The Effect of Differing Audience Response System Question Types on Student Attention in the Veterinary Medical Classroom
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
The purpose of this study was to evaluate the ability of specific types of multiple-choice questions delivered using an Audience Response System (ARS) to maintain student attention in a professional educational setting. Veterinary students (N=324) enrolled in the first three years of the professional curriculum were presented with four different ARS question types (knowledge base, discussion, polling, and psychological investment) and no ARS questions (control) during five lectures presented by 10 instructors in 10 core courses. Toward the end of the lecture, students were polled to determine the relative effectiveness of specific question types. Student participation was high (76.1%+/-2.0), and most students indicated that the system enhanced the lecture (64.4%). Knowledge base and discussion questions resulted in the highest student-reported attention to lecture content. Questions polling students about their experiences resulted in attention rates similar to those without use of ARS technology. Psychological investment questions, based on upcoming lecture content, detracted from student attention. Faculty preparation time for three ARS questions was shorter for knowledge base questions (22.3 min) compared with discussion and psychological investment questions (38.6 min and 34.7 min, respectively). Polling questions required less time to prepare (22.2 min) than discussion questions but were not different from other types. Faculty stated that the investment in preparation time was justified on the basis of the impact on classroom atmosphere. These findings indicate that audience response systems enhance attention and interest during lectures when used to pose questions that require application of an existing knowledge base and allow for peer interaction.
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 | 0,049 | 0,022 |
| 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 | 0,001 | 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 découle