Student Coaching: How Far Can Technology Go?
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
Recent studies show that programs offering structured, one-on-one coaching and tutoring tend to have large effects on the academic outcomes of both high school and college students. These programs are often costly to implement and difficult to scale, however, calling into question whether making them available to large student populations is feasible. In contrast, interventions that rely on technology to maintain low-touch contact with students can be implemented at large scale and minimal cost but with the risk of not being as effective as one-on-one, in-person assistance. In this paper, we test whether the effects of coaching programs can be replicated at scale by using technology to reach a larger population of students. We work with a sample of over four thousand undergraduate students from a large Canadian university, randomly assigning students into one of the following three interventions: (i) a one-time online exercise designed to affirm students' values and goals; (ii) a text messaging campaign that provides students with academic advice, information, and motivation; and (iii) a personal coaching service, in which students are matched with upper-year undergraduate coaches. We find large positive effects from the coaching program, as coached students realize a 0.3 standard deviation increase in average grades and a 0.35 standard deviation increase in GPA. In contrast, we find no effects from either the online exercise or the text messaging campaign on any academic outcome, both in the general student population and across several student subgroups. A comparison of the key features of the text messaging campaign and the coaching service suggests that proactively and regularly initiating conversations with students and working to establish trust are important design features to incorporate in future interventions that use technology to reach large populations of students.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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