MétaCan
Menu
Retour à la cohorte
Enregistrement W2782713373 · doi:10.5539/jel.v7n3p1

Improving Student Reflection in Experiential Learning Reports in Post-Secondary Institutions

2018· article· en· W2782713373 sur OpenAlexaffvenue
Rebecca Tiessen

Notice bibliographique

RevueJournal of Education and Learning · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueService-Learning and Community Engagement
Établissements canadiensUniversity of OttawaGlobal Affairs Canada
Organismes subventionnairesnon disponible
Mots-clésExperiential learningService-learningPracticumEmployabilityPsychologyPedagogyExperiential educationActive learning (machine learning)Mathematics educationSociology

Résumé

récupéré en direct d'OpenAlex

Work-integrated learning options—or experiential learning—(such as co-operative education, practicum placements, and community service learning/volunteer placements) offer much scope for enhancing educational opportunities for post-secondary students to learn about the workplace and to develop skills that may contribute to their future employability. However, community service learning (CSL) placements and co-operative education (co-op) programs, among other forms of experiential learning, offer so much more than the practical outcomes of skills-development and résumé-building. They provide a space for reflexivity on the student’s positionality in relation to privilege and national and/or global citizenship identity-formation; for critical reflection on ethical issues; for the promotion of social justice; and for praxis (the application of knowledge). The research presented in this article is an evaluation of two sets of experiential learning reflection assignments: co-op work-term reports (from 2nd, 3rd, 4th year and graduate students) and CSL papers (assignments submitted for a fourth year class I taught in winter 2016 on experiential learning). I examine the common themes and differences between these two sets of assignments with particular attention to the preparation and facilitation of learning in both instances, and the difference this preparation makes in terms of the student’s critical reflection.

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)0,037
score de la tête « metaresearch » (Gemma)0,160
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,197

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0370,160
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0030,003
Communication savante0,0060,003
Science ouverte0,0030,008
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,034
Tête enseignante GPT0,396
Écart entre enseignants0,361 · 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'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

Citations29
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Education and LearningMême sujetService-Learning and Community EngagementTravaux en français237 207