Harmonizing Teaching Tools with Cognitive Learning Outcomes in the Teaching of Economics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The selection of teaching tools is a key determinant of the extent to which the anticipated learning outcomes of a course will be realized. As such, choosing optimal teaching tools can be a greatly effective course of action to enhance learning in the classroom. As Terregrossa et al. (2009) point out, “it is ironic that the practitioners of the discipline devoted to the study of efficiency principles [i.e. economics] are implicitly accused of being inefficient in their approach to teaching that discipline.” The purpose of the present paper is to first explain cognitive learning outcomes as well as review both traditional and modern teaching tools in the context of economics. Next, the appropriate teaching tools that match correspondingly with each specific cognitive learning outcome are proposed in the setting of teaching economics. To this end, the paper concentrates on Benjamin Bloom’s (1956) taxonomy of cognitive domains to describe different cognitive learning levels. Then, a diverse set of teaching tools suitable to teach economics are corresponded to different cognitive learning outcomes. More specifically, the present paper aims to introduce different teaching tools - including course formats, major teaching methods, and teaching moves - corresponding to different levels of cognitive domain in the context of teaching economics. Finally, it is argued that economics instructors should select teaching tools as well as contents, readings, in-class activities, assignments, and assessment formats after formulating the learning outcomes of the course, so that the teaching tools selected can facilitate students’ learning and help them achieve the anticipated learning outcomes more readily.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle