Curriculum Mapping Across the Disciplines: Differences, Approaches, and Strategies
Notice bibliographique
Résumé
Curriculum mapping can be used to document, align, visualize, and assess curricular data, such as learning outcomes, assessment materials, instructional techniques, and student pre- and post-testing scores. A cross-disciplinary Curriculum Mapping Initiative currently underway at the University of Toronto Mississauga aims to: (1) develop guidelines for the curriculum mapping process; (2) develop cross-disciplinary curriculum mapping templates and samples to guide departments through the curriculum mapping process; (3) communicate narratives for how to use curriculum mapping to inform curricular change; (4) develop visualization strategies for curricular data; (5) initiate a plan for dissemination and sustainability; and (6) initiate a plan for informing students about how to use curricular maps in their academic experiences. Through this curriculum mapping initiative, we have discovered that discipline-specific differences exist in approaches to curriculum mapping. The purpose of this paper is to communicate these cross-disciplinary similarities and differences in purpose, process, and utilization of curriculum mapping strategies. We found that different departments had some common ground in the curriculum mapping process, but also key differences. The differences could be categorized according to: purpose for initiating the curriculum mapping process; approach to curriculum mapping; dissemination of completed maps; dealing with pedagogical jargon; and faculty buy-in.
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 | 0,079 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».