MétaCan
Menu
Retour à la cohorte
Enregistrement W2283892846 · doi:10.48550/arxiv.1210.3386

A class where qualitative discussions, coming weeks before computationally complicated practice, helps students' problem solving abilities

2012· preprint· en· W2283892846 sur OpenAlexaboutno aff
David J. Webb

Notice bibliographique

RevuearXiv (Cornell University) · 2012
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueScience Education and Pedagogy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHierarchyQuarter (Canadian coin)Class (philosophy)Mathematics educationSet (abstract data type)PsychologyGroup (periodic table)Field (mathematics)MathematicsComputer sciencePhysicsArtificial intelligencePure mathematicsQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

Psychologists have long known that an expert in a field not only knows significantly more individual facts/skills than a novice but also has these facts/skills organized into a mental hierarchy that links the individual facts (at the bottom of the hierarchy) together with larger more-encompassing ideas (at the top of the hierarchy). In the Spring quarter of 2012, UC Davis offered 4 sections (about 180 students each) of the first quarter of introductory physics, Physics 9A, covering Newtonian mechanics. One of these sections is a "treatment" group and had the entire 10-week quarter's set of ideas introduced, largely qualitatively, in the first 6 weeks followed by the 4 weeks where students learn to use those ideas to solve the algebraically complicated problems that physicists prize. The other three sections were organized as usual. The treatment group and one of the other sections were taught by the author and were identical (same homework, discussion, lecture, and lab) except for the organization of the content. After controlling for GPA as well as Force Concept Inventory pretest scores, the treatment group was found, with better than 99% confidence, to score higher on the final exam. Some curricular details of the treatment class are discussed in this paper.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,430
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,166
Tête enseignante GPT0,362
Écart entre enseignants0,196 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetScience Education and PedagogyTravaux en français237 207