Search for the Woolly Mammoth: A Case Study in Inquiry-Based Learning
Notice bibliographique
Résumé
Over the ages university teachers have searched for more and more effective methods of transferring knowledge. In this new millennium academic teachers have been exhorted to embrace new technology, be more flexible, and move from teacher-centered learning to student-centered learning. Educators are told constantly to allow students to be responsible for their own learning. The transmission-style lecture, potentially effective and practical in circumstances such as large classes, is still the major teaching approach used in universities today. Veterinary curricula in universities such as Mississippi University and Cornell are replacing traditional-style lectures with student-centered forms of learning that begin with problems. Traditional learning approaches can be likened to guidebooks the students read, while active, Inquiry-Based Learning (IBL) is a more experiential approach—the student becomes the traveler and takes the actual journey. This journey is guided by interaction with teacher and peers and helps students make connections among previously disparate and incoherent bits of information. Research by Rand found that veterinary students who experienced problemsolving approaches to learning had a better understanding of core principles and gained the ability to apply those principles to novel situations. Problem-based approaches allow students to formulate an integrated, holistic understanding of the learning material. Not only does the learning that they experience during their journey help to promote better understanding of concepts, it also encourages students to ask relevant questions, identify important issues, evaluate evidence, and use critical reasoning to formulate conclusions.
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 | 0,002 | 0,002 |
| 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) | 0,000 | 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 ».