MétaCan
Menu
Retour à la cohorte
Enregistrement W2164537501 · doi:10.22329/celt.v8i0.4258

Toward Accuracy, Depth and Insight: How Reflective Writing Assignments Can Be Used to Address Multiple Learning Objectives in Small and Large Courses

2015· article· en· W2164537501 sur OpenAlexaffvenue
Kristie R. Dukewich, Deborah P. Vossen

Notice bibliographique

RevueCollected Essays on Learning and Teaching · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueReflective Practices in Education
Établissements canadiensSt. Francis Xavier UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésJournaling file systemSummative assessmentReflective writingMathematics educationProfessional writingComputer sciencePedagogyPsychologyFormative assessment

Résumé

récupéré en direct d'OpenAlex

Writing-to-learn involves the use of low-stakes informal writing activities intended to help students reflect on concepts or ideas presented in a course. Writing-to-learn can be a flexible and effective tool to help students understand and engage with course concepts, and past research has shown that writing-to-learn activities can substantially improve performance on summative assessments. Not only is coherent writing helpful for learning, it is also a skill that students are expected to acquire during their degree. However, it can be a challenge to provide writing opportunities that are both interesting to students and easy for instructors to implement and grade, particularly in courses with a large number of students. Reflective journaling is one method that can address these learning objectives. The versatility of reflective writing means that it can be adapted to suit a number of different disciplines. In this essay, we will explore reflective writing as a subgenre of writing-to-learn activities, summarizing some of the benefits associated with these assignments that have been described in the pedagogical literature. We will then describe how to tailor the assignments to different kinds of disciplines, including STEM courses, professional programs, and the social sciences and humanities. We will provide some guidance on how to resolve tension around marking and feedback for such an assignment. Finally, we will describe our individual experiences with using this kind of assignment in two courses. As there were a number of contextual differences between the two courses, including size and discipline, our commentary is advanced within the specific context supplied by each.

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)0,046
score de la tête « metaresearch » (Gemma)0,171
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,244

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0460,171
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0040,009
Communication savante0,0190,018
Science ouverte0,0050,017
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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 Opus0,095
Tête enseignante GPT0,393
Écart entre enseignants0,298 · 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'étudeQualitatif
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

Citations10
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCollected Essays on Learning and TeachingMême sujetReflective Practices in EducationTravaux en français237 207