MétaCan
Menu
Retour à la cohorte
Enregistrement W2143627312 · doi:10.1109/te.2007.901982

Best Practices Involving Teamwork in the Classroom: Results From a Survey of 6435 Engineering Student Respondents

2007· article· en· W2143627312 sur OpenAlexaboutno aff
Barbara Oakley, Darrin M. Hanna, Zenon J. Kuzmyn, Richard M. Felder

Notice bibliographique

RevueIEEE Transactions on Education · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Education and Curriculum Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTeamworkPsychologyQuarter (Canadian coin)Medical educationSet (abstract data type)Variance (accounting)Work (physics)Mathematics educationEngineeringComputer scienceManagementMedicine

Résumé

récupéré en direct d'OpenAlex

A teamwork survey was conducted at Oakland University, Rochester, MI, in 533 engineering and computer science courses over a two-year period. Of the 6435 student respondents, 4349 (68%) reported working in teams. Relative to the students who only worked individually, the students who worked in teams were significantly more likely to agree that the course had achieved its stated learning objectives (p < 0.001). Regression analysis showed that roughly one-quarter of the variance in belief about whether the objectives were met could be explained by four factors: 1) student satisfaction with the team experience; 2) the presence of instructor guidance related to teamwork; 3) the presence of slackers on teams; and 4) team size. Pearson product-moment correlations revealed statistically significant associations between agreement that the course objectives had been fulfilled and the use of student teams and between satisfaction with teams and the occurrences of instructor guidance on teamwork skills. These and other results suggest that assigning work to student teams can lead to learning benefits and student satisfaction, provided that the instructor pays attention to how the teams and the assignments are set up.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,035
Tête enseignante GPT0,316
Écart entre enseignants0,280 · 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

Citations152
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on EducationMême sujetEngineering Education and Curriculum DevelopmentTravaux en français237 207