MétaCan
Menu
Retour à la cohorte
Enregistrement W2139214286 · doi:10.1080/03098260500499709

Problem-based Learning in Geography: Towards a Critical Assessment of its Purposes, Benefits and Risks

2006· article· en· W2139214286 sur OpenAlexaff
Eric Pawson, Eric J. Fournier, Martin Haigh, Osvaldo A. Muniz, J. A. P. Trafford, Susan Vajoczki

Notice bibliographique

RevueJournal of Geography in Higher Education · 2006
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeography Education and Pedagogy
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésProblem-based learningCurriculumMathematics educationTeaching methodPedagogyEngineering ethicsPsychologyEngineering

Résumé

récupéré en direct d'OpenAlex

This paper makes a critical assessment of problem-based learning (PBL) in geography. It assesses what PBL is, in terms of the range of definitions in use and in light of its origins in specific disciplines such as medicine. It considers experiences of PBL from the standpoint of students, instructors and managers (e.g. deans), and asks how well suited this method of learning is for use in geography curricula, courses and assignments. It identifies some 'best practices in PBL', as well as some useful sources for those seeking to adopt PBL in geography. It concludes that PBL is not a teaching and learning method to be adopted lightly, and that if the chances of successful implementation are to be maximized, careful attention to course preparation and scenario design is essential. More needs to be known about the circumstances in which applications of PBL have not worked well and also about the nature of the inputs needed from students, teachers and others to reap its benefits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,402
Écart entre enseignants0,349 · 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 tête enseignante, 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

Citations205
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geography in Higher EducationMême sujetGeography Education and PedagogyTravaux en français237 207