POSTER: Enhancements of Simulated Science Laboratory Assessments
Notice bibliographique
Résumé
The use of digitally simulated environments to assess science knowledge and skills has become popular in recent years (Bennett, Persky, Weiss, & Jenkins, 2007; PhET, 2014). Digital environments are often superior to face-to-face environments in which traditional science laboratories are usually conducted. Traditional science laboratories have been criticized for providing a recipe of pre-determined linear steps for student to follow. In contrast, simulated science laboratories encourage higher-order ideas such as scientific inquiry by allowing students to explore the laboratory (e.g., trying different procedures and making errors; Ma & Nickerson, 2006; Sahin, 2006). Although these simulations mimic and surpass many traditional laboratories in terms of bringing real-world science into the classroom, many of them tend to omit the use of a pre-laboratory activity (which are often used in traditional laboratories to cognitively prepare students for the experiment; Sahin, 2006; PheT, 2014). These digital laboratories encourage students to attempt multiple procedures while solving one problem, while traditional laboratories do not allow for much deviation from the linear steps (Bennett et al., 2007; Ma & Nickerson, 2006). These multiple trials are not errors, but an essential part of the learning process, because they may inform future runs (Author, Author, & Author, Year). Hence, students are encouraged to make learning errors throughout the simulation. This study investigated whether two treatments – pre-laboratory activity and learning error intervention – enhanced students’ performance on a digitally simulated science laboratory. The results indicated students who received the learning error intervention significantly outperformed students who did not have the intervention, F (1, 244)=8.084, p <0.01, partial eta squared=0.032. This finding is important because it indicates the need for supplementary instruction when using simulated science laboratory assessment tools.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,177 | 0,027 |
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 ».