MétaCan
Menu
Retour à la cohorte
Enregistrement W2548066263 · doi:10.4018/ijavet.2016100101

Comparing Peer-to-Peer and Individual Learning

2016· article· en· W2548066263 sur OpenAlexaff
Patrick Kelly, Larry Katz

Notice bibliographique

RevueInternational Journal of Adult Vocational Education and Technology · 2016
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésDisadvantagedPsychologyIntervention (counseling)Medical educationPeer groupPopulationMathematics educationPeer learningDevelopmental psychologyMedicine

Résumé

récupéré en direct d'OpenAlex

Peer-to-peer (P2P) learning within two distinct groups of disadvantaged adults was studied during a two-hour computer skills workshop. Of interest was whether or not P2P learning with this population was a viable method for increasing performance and confidence. Two qualified instructors at two locations taught the same introductory word-processing workshop to students enrolled in one of three learning intervention groups: P2P, Individual (IND), and No Intervention (NINT). Data was collected through pre- and posttests (all groups), quizzes (P2P and IND groups) and qualitative analysis of P2P group discussions. Quiz results indicated that those in the P2P group gained a better understanding of concepts than participants in the IND group; however, posttest results showed that the understanding was not maintained over time. Confidence in computer skills knowledge increased between the pre and posttest in all treatment groups, regardless of correct or incorrect answers. Analysis of P2P discussions found a significant relationship between the quality of peer discussions and the posttest scores. This study concluded there is a potential benefit of using P2P strategies with disadvantaged adults in the classroom, as confidence is developed and maintained, even as knowledge was not.

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)0,008
score de la tête « metaresearch » (Gemma)0,033
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 enseignants0,008
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,033
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,403
Écart entre enseignants0,365 · 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

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Adult Vocational Education and TechnologyMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207