Getting Out of the Way: Learning, Risk, and Choice
Notice bibliographique
Résumé
Students learn best when teachers get out of the way. Unfortunately, university classrooms continue to be intensely teacher-centric, are driven by the teacher’s agenda and calendar, and embrace simple models rather complex alternatives. These simple types of learning environments frustrate students’ development of the risk-taking and choice making confidence they need in the workplace. Bain (2004) makes the point that environments embracing choice as a priority, welcoming risk taking, and nurturing students who make mistakes, are better at preparing students for professional success. In this paper, we intend to provide context to the conversation about how learning-risks and agency impact and promote the individual growth of the student when the teacher gets out of the way.Combining a Rapid Assessment Process (RAP) (Beebe, 2001) informed by Action Research (AR) (Stringer, 2007; Schön, 1983; Argyris, 1993) we devised an experiment to determine if a university course would invite more student growth when the environment changed from being teacher-centric with highly structured assignments and critical assessments, to one that embraces the tenets of complexity theory. The purpose of this approach was an attempt to challenge the status quo; to show how complex interactions between risk-taking, agency, learning culture, teacher-facilitator-mentors, peers, coursework, and outcomes are important to students’ preparation for successful professional work. To accomplish this we experimented within a software development course at a large university in the northwestern United States and found students appeared more prepared to move on to the professional workplace when they had experienced risk taking and agency in a learning environment based on complexity theory precepts.
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 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 | 0,001 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».