MétaCan
Menu
Retour à la cohorte
Enregistrement W2780620206

Are Active Learning Classrooms Authentic Learning Environments? An Examination of Students’ and an Instructor’s Lived Experiences in an Active Learning Classroom

2017· dissertation· en· W2780620206 sur OpenAlexfundno aff
Victoria Chen

Notice bibliographique

RevueQSpace (Queen's University Library) · 2017
Typedissertation
Langueen
DomaineSocial Sciences
ThématiqueEducational Environments and Student Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésActive learning (machine learning)Mathematics educationAuthentic learningPedagogyExperiential learningPsychologyComputer scienceArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

New reimagined higher education classrooms called Active Learning Classrooms (ALCs) have been increasingly implemented across the world in the past decade (SCALE-UP Site, 2011), providing a more engaging and lively learning environment for students as compared to traditional lecture halls (Baepler, Brooks, & Walker, 2014; Chiu & Cheng, 2017; Morrone, Ouimet, Siering, & Arthur, 2014), but are these experiences meaningful? In studies by Chen, Leger, and Riel (2015a) and Ravenscroft and Chen (2017), instructors and students have hinted that these rooms allow students to make connections between their learning and planned careers, in other words Authentic Learning could be occurring. This could mean that ALCs may not be only engaging learning environments but also authentic learning environments. 
\nBuilding on the existing literature of ALCs and theories on Authentic Learning presented in Chapter 1 and 2, this dissertation uses a qualitative approach to capture, retell, and analyze the learning experiences of an instructor and 10 students in a 3rd year elective ethics course. Three research questions are addressed: (1) From the instructor’s perspective, what reasons lead to a decision to teach in an ALCs and how was a course planned and enacted in this classroom environment? (2) From the students’ perspectives, what are their learning experiences in a course taught in an ALCs? (3) Do the learning experiences in an ALCs represent Authentic Learning? If so, what influence does the learning environment have on Authentic Learning?
\nData was collected through semi-structured interviews, observations, and student artifacts, and analyzed using analysis of narrative and a combination of deductive analyses (see Chapter 3). Chapter 4 presents the instructor and students’ lived experiences in a series of cases, followed by a comparison of the data to factors of the Theory of Authentic Learning (Hill, in-press) in Chapter 5, which revealed the learning experiences of students in the course were indeed authentic. Chapter 6 concludes the dissertation with implications of the findings and recommendations for educators on how they too can foster an authentic learning environment in the ALCs.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,108
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,005
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,019
Tête enseignante GPT0,286
Écart entre enseignants0,267 · 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.

Devis d'étudeObservationnel
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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQSpace (Queen's University Library)Même sujetEducational Environments and Student OutcomesTravaux en français237 207