TEACHING LARGE ONLINE CLASSES: HOW CAN PROFESSORS PROMOTE ACTIVE LEARNING WITHOUT EXHAUSTING THEMSELVES?
Notice bibliographique
Résumé
This 50-minute session featured a discussion about innovative teaching techniques in large online classes, and the associated challenge of keeping the workload manageable for instructors. What are the alternatives to multiple-choice exams? In large online classes (of 50-100 students), instructors often face students who feel “isolated” but who also ironically rarely take advantage of opportunities to engage with other students unless there is a grade associated. This can result in either a barrage of emails between individual students and the professor, or students who withdraw and refrain from asking questions and engaging. Online teaching also presents the instructor with an ever-evolving selection of unique online tools. While implying exciting possibilities for active learning, teaching pedagogy often follows at a slower pace. For example, how can one use real-time interactive tools in a large online class when it is impossible for all students to be online at the same time? I began this session by showing the session participants my two online-course Moodle websites and describing the assignments I have developed for these larger online classes. I discussed the ongoing dual challenge of incorporating innovative, active learning opportunities for students, while also attempting to keep the amount of marking and formative feedback required of me (the instructor) to a manageable level. Session participants asked questions and inserted their own comments and stories throughout this process. We also discussed additional teaching strategies for large online classes identified in the academic literature.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».