MétaCan
Menu
Retour à la cohorte
Enregistrement W2057277282 · doi:10.1119/1.4849159

Physics Exams that Promote Collaborative Learning

2013· article· en· W2057277282 sur OpenAlexaff
Carl Wieman, Georg W. Rieger, Cynthia E. Heiner

Notice bibliographique

RevueThe Physics Teacher · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFormative assessmentSummative assessmentMathematics educationConsistency (knowledge bases)Physics educationCollaborative learningComputer scienceMedical educationStudent engagementPsychologyMedicineArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The two-stage exam is a relatively simple way to introduce collaborative learning and formative assessment into an exam. Their use is rapidly growing in the physics department at the University of British Columbia, as both students and faculty find them rewarding. In a two-stage exam students first complete and turn in the exam individually, and then, working in small groups, answer the exam questions again. During the second stage, the room is filled with spirited and effective debate with nearly every student participating. This provides students with immediate targeted feedback supplied by discussions with their peers. Furthermore, we see indications that the use of this exam format not only ensures consistency across interactive course components, but it also positively impacts how students approach the other collaborative course components. This is accomplished without losing the summative assessment of individual performance that is the expectation of exams for most instructors. In this paper we describe how to implement two-stage exams and provide arguments why they should be part of physics courses that use interactive engagement and social/collaborative learning methods.

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)0,005
score de la tête « metaresearch » (Gemma)0,022
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: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,066

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,022
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0020,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0200,006

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 Opus0,011
Tête enseignante GPT0,209
Écart entre enseignants0,198 · 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

Citations65
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Physics TeacherMême sujetExperimental Learning in EngineeringTravaux en français237 207