Analyzing Curriculum Mapping Data: Enhancing Student Learning through Curriculum Redesign
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
Curriculum mapping (CM) is “a process in which the learning outcomes, teaching and learning strategies, and assessment processes for each course in a program can be represented to create a summary of the learning plan for an entire program of study so that the relationships between the components of the program can be observed” (University of Calgary, 2013, p. 3). Rather than seeing individual courses in isolation, curriculum mapping provides an opportunity to visualize the curriculum as an integrated whole (Spencer et al., 2012). Analyzing the resulting data can lead to meaningful discussions about the curriculum, what is working well, and what changes might be implemented in a curriculum redesign to enhance student learning experiences (Sumsion & Goodfellow, 2004; Uchiyama & Radin, 2009). In this hands-on workshop participants will examine and analyze curriculum mapping data outputs in large and small groups. We will collaboratively interpret curriculum mapping data, identifying program strengths and opportunities for improvement, and explore various ways in which CM data can be presented. By the end of the session, participants should be able to: • Interpret data from three different curriculum maps used as examples in the session • Identify strengths and opportunities for improvement in a curriculum redesign of the example program • State the benefits and drawbacks of three different data representations of curriculum mapping data, given their particular context The session will be of interest to people who are involved in program-level curriculum review, redesign and/or renewal.
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 | 0,014 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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