Toward Accuracy, Depth and Insight: How Reflective Writing Assignments Can Be Used to Address Multiple Learning Objectives in Small and Large Courses
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
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.
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 | 0,003 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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