Guides to Reducing Social Loafing in Group Projects: Faculty Development
Notice bibliographique
Résumé
Student team projects in higher education are prevalent today because of the educational value associated with students working in teams. Research has shown the many benefits students acquire by engaging in team projects in higher education (Brooks & Ammons, 2003). For example, Butcher, Stefani, and Tariq (1995) suggested group work helps students cultivate communication, problem solving, and leadership skills. Hayes, Lethbridge, and Port (2003) stated students learn to cooperate with one another and learn from one another when working in groups. The benefits from group work ultimately allow students to successfully transition from school to the work world. The proliferation of students working in groups will continue due the demands from stakeholders, such as, employers and accreditation agencies (Hansen, 2006). Organizations request that schools incorporate additional team assignments in classes. For example, Aggarwal and O'Brien (2008) indicated businesses expect newly employed individuals to have experience with group work and the essential skills needed to interact successfully with other employees. In addition, accreditation agencies are requiring faculty members to give instruction in team-based skills. For example, The Association to Advance Collegiate Schools of Business—AACSB (2013) requires faculty members to communicate to students how to work effectively in teams. The main difficulty with students working in groups is social loafing. This article examines the literature regarding the theoretical construct social loafing and effective ways to reduce this impediment to learning. Administrators charged with faculty development can use these findings to assist professors having difficulty with social loafers.
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 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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».