Measuring Student Knowledge of Landscapes and Their Formation Timespans
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
Geologic time is a crucial component of any geoscientist's training. Essential knowledge of geologic time includes rates of geologic processes and the associated time it takes for geologic features to form, yet measuring conceptual thinking abilities in these domains is challenging. We describe development and initial application of the Landscape Identification and Formation Test (LIFT), a concept inventory for measuring abilities to identify landscapes and their formation timespans. Test development included careful choice of concept questions followed by a cycle of validation steps involving student and expert think-aloud interviews. We then administered the test, together with eight validated questions about geological time, to 96 university students in second year and fourth year geoscience courses. Results showed that students' abilities and confidence were more closely aligned with their general knowledge about geologic time than with the level of the course in which they were enrolled. Students were better at identifying landscapes than estimating how long they take to form, and both students and experts had the most difficulty with intermediate formation timespans. Details about students' errors, including common landscape misidentifications and systematic errors in estimating formation timespans, can help instructors prioritize the content and pedagogy of their courses. The LIFT is a validated concept inventory that is available for anyone to use as a pre–post, diagnostic, progress, or end-of-degree assessment that can provide valuable feedback about knowledge and learning to students, instructors and program administrators.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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