MétaCan
Menu
Retour à la cohorte
Enregistrement W2765707808 · doi:10.28945/3760

Can Finance Education Benefit from Online Collaborative Methods? An Experiment

2017· article· en· W2765707808 sur OpenAlexaff
Joe N Abou Jaoude, Raafat George Saadé

Notice bibliographique

RevueInforming Science and IT Education Conference · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCollaborative learningPeer learningClass (philosophy)ImplementationBridge (graph theory)Active learning (machine learning)Knowledge managementFinanceMathematics educationPsychologyArtificial intelligenceMedicineBusiness

Résumé

récupéré en direct d'OpenAlex

Aim/Purpose: We introduce interactive and collaborative learning tools into a “traditional” finance course and collect feedback from the students concerning satisfaction, engagement, and overall learning. The aim is to show that collaborative learning methods have a place in finance academia. Background: Finance education still relies on the traditional education model. We implement a collaborative learning method in a Finance course to measure its use on the topic. Methodology : We conducted two peer-to-peer sessions in a class environment, Following the two tests, we released a survey to collect information about the tool’s effectiveness. We received 42 responses out of a population of 57. Contribution: Our case study aims to bridge the gap between the use of collaborative learning methods and the academic learning environment of finance. Findings The learning tool implemented was well received and provided a significant benefit to the students in the class, per the survey. Recommendations for Practitioners : We recommend further implementations of collaborative learning methods in finance, and their injection into other traditional courses to better study their effectiveness. Recommendation for Researchers: Experiments in different courses of the same field as well as different fields and different academic schools is needed to fully understand the capabilities and limitations of the collaborative learning tools. Impact on Society: Moving away from the traditional academic model into an interactive and collaborative framework can help expand and extend the reach and effectiveness of education. Future Research: Research on the tools is needed to fit this learning approach to the multiple fields of academia (if any are needed).

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)0,010
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,032
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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 Opus0,053
Tête enseignante GPT0,460
Écart entre enseignants0,407 · 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'étudeEssai non randomisé
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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInforming Science and IT Education ConferenceMême sujetOnline and Blended LearningTravaux en français237 207