Teaching basic science to optimize transfer
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
BACKGROUND: Basic science teachers share the concern that much of what they teach is soon forgotten. Although some evidence suggests that relatively little basic science is forgotten, it may not appear so, as students commonly have difficulty using these concepts to solve or explain clinical problems: This phenomenon, using a concept learned in one context to solve a problem in a different context, is known to cognitive psychologists as transfer. The psychology literature shows that transfer is difficult; typically, even though students may know a concept, fewer than 30% will be able to use it to solve new problems. However a number of strategies to improve transfer can be adopted at the time of initial teaching of the concept, in the use of exemplars to illustrate the concept, and in practice with additional problems. AIM: In this article, we review the literature in psychology to identify practical strategies to improve transfer. METHODS: Critical review of psychology literature to identify factors that enhance or impede transfer. RESULTS: There are a number of strategies available to teachers to facilitate transfer. These include active problem-solving at the time of initial learning, imbedding the concept in a problem context, using everyday analogies, and critically, practice with multiple dissimilar problems. Further, mixed practice, where problems illustrating different concepts are mixed together, and distributed practice, spread out over time, can result in significant and large gains. CONCLUSION: Transfer is difficult, but specific teaching strategies can enhance this skill by factors of two or three.
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 | 0,013 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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