MétaCan
Menu
Retour à la cohorte
Enregistrement W2563474510 · doi:10.5539/ijef.v9n1p119

Harmonizing Teaching Tools with Cognitive Learning Outcomes in the Teaching of Economics

2016· article· en· W2563474510 sur OpenAlexvenueno aff
Mohsen Edalati

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovations in Educational Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Computer scienceMathematics educationClass (philosophy)CognitionTeaching methodBloom's taxonomySet (abstract data type)Outcome (game theory)PsychologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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.

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)0,014
score de la tête « metaresearch » (Gemma)0,035
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 enseignants0,014
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,035
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,005
Communication savante0,0120,007
Science ouverte0,0020,007
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,072
Tête enseignante GPT0,364
Écart entre enseignants0,292 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetInnovations in Educational MethodsTravaux en français237 207