MétaCan
Menu
Retour à la cohorte
Enregistrement W2286484352 · doi:10.1096/fasebj.27.1_supplement.739.13

The “Luck‐Free” Exam: Promoting Transparency, Encouraging Collaboration and Active Learning

2013· article· en· W2286484352 sur OpenAlexaffabout
P. K. Rangachari, Stash Nastos

Notice bibliographique

RevueThe FASEB Journal · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensMcMaster UniversityHamilton Health Sciences
Organismes subventionnairesnon disponible
Mots-clésLuckClass (philosophy)Active learning (machine learning)Transparency (behavior)Experiential learningMathematics educationSet (abstract data type)Test anxietyPoint (geometry)PsychologyMedical educationAnxietyComputer scienceMedicineArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Examinations can be powerful stimuli to collaborative learning, but are rarely used as such, since they can be stressful. We attempted to make a formal exam a good learning experience for students in a large undergraduate freshman biology course (average class size 175). To defuse anxiety and reduce the element of luck, students were given a set of 8–10 questions, well in advance of the exam. These questions probed their understanding of the material taught, and required them to seek, synthesize and integrate information from diverse sources. We encouraged them to collaborate in groups to frame suitable answers, and solidify what they had learned within the class setting. The students knew that the final formal exam would be an individual one, where they would get a smaller subset of the very same questions. Their answers clearly showed that they had understood the core concepts of the course. Over a 4‐year period, 612 students rated the value of this assessment to their learning experience, on a 10‐point scale: median 8, mode 10, range 1–10. The students appreciated the opportunity to solidify their learning in this fashion, and rated their learning experience highly. We thank the Canadian taxpayers for still supporting public universities.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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 Opus0,028
Tête enseignante GPT0,332
Écart entre enseignants0,304 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetInnovative Teaching MethodsTravaux en français237 207