Can Finance Education Benefit from Online Collaborative Methods? An Experiment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,001 | 0,001 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle