MétaCan
Menu
Retour à la cohorte
Enregistrement W2760615841 · doi:10.1021/acs.jchemed.7b00073

Developing and Implementing Lab Skills Seminars, a Student-Led Learning Approach in the Organic Chemistry Laboratory: Mentoring Current Students While Benefiting Facilitators

2017· article· en· W2760615841 sur OpenAlexafffund
Kalyani Sabanayagam, Vivek D. Dani, Matthew John, Wanda Restivo, Svetlana Mikhaylichenko, Shadi Dalili

Notice bibliographique

RevueJournal of Chemical Education · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueService-Learning and Community Engagement
Établissements canadiensThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesUniversity of Toronto Scarborough
Mots-clésMedical educationService-learningAdaptation (eye)PsychologyChemistryPedagogyMedicine

Résumé

récupéré en direct d'OpenAlex

This paper describes the successful adaptation of certain components of peer-led team learning (PLTL) as well as service learning principles into our initiative: lab skills seminars (LSS). These seminars were organized for large, second year organic chemistry laboratory courses. Prior to LSS, the only help available for students was traditional office hours conducted by the course coordinator. Such office hours are not sufficient or effective in large courses for numerous reasons, such that laboratory skill seminars were created to fill that gap and also diminish high levels of anxiety associated with complicated laboratories. Seminars were prepared and facilitated by upper year service learning students or volunteers, who had successfully completed the same course. Facilitators and course students mutually benefit significantly from these seminars, and this article will discuss these benefits in greater detail.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,566
Score d'incertitude au seuil0,815

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,378
Écart entre enseignants0,351 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations11
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical EducationMême sujetService-Learning and Community EngagementTravaux en français237 207