Is Fine Tuning Possible with Grade-Focused Students?
Notice bibliographique
Résumé
In our service-learning courses, students work with real people and record and reflect on these experiences, to learn appropriate professional behavior, how to think creatively, and how to respond to changing circumstances. Many of our students are strategic learners, characterized by alertness to assessment and intention to achieve the highest possible grades (Entwistle, Tait, & McCune, 2000). Their need to be correct often overrides the opportunity to explore ideas, troubleshoot, and problem solve. Their slavish allegiance to one correct answer prevents many from engaging in the messy processes of trial and error, formative feedback and assessment, reflection, and refinement (Dewey, 1938). They not only avoid the benefits of proximal learning, they also deny themselves the benefits of cognitive play that Vygotsky (1962) encourages. An end of term binge, their rush to get work done at the eleventh hour, can occur because many seem reluctant to take advantage of formative feedback opportunities (i.e. fine tuning) during the term. Accompanying this binge is the concomitant expectation of immediate feedback from the instructor, and the equally unrealistic expectation of their own spontaneous comprehension of the material without adequate assimilation time. This paper will describe our efforts to implement formative assessment in our classes. We present a number of formative assessment examples, discuss the pros and cons of teaching this way, and suggest some implementation strategies that enhance student motivation and timely engagement.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».