MétaCan
Menu
Retour à la cohorte
Enregistrement W2905275920 · doi:10.1002/bmb.21186

Highly effective active learning in a one‐year biochemistry series with limited resources

2018· article· en· W2905275920 sur OpenAlexaboutno aff
Norbert O. Reich, Yuedong Wang

Notice bibliographique

RevueBiochemistry and Molecular Biology Education · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClickerCurriculumActive learning (machine learning)Mathematics educationClass (philosophy)Quarter (Canadian coin)Computer sciencePsychologyMedical educationArtificial intelligencePedagogyMedicine

Résumé

récupéré en direct d'OpenAlex

We investigate the effectiveness of an active learning curriculum designed for an upper division Biochemistry series at a large, public research university. The goal was to determine how effective this format was when compared to a parallel conventional course, and to see if the active learning series can be run with limited resources (one instructor, one teaching assistant). The study involved 160 students in the first quarter and 92 students in the second quarter. The active learning curriculum consists of learning goals for each chapter, online quizzes, in-class questions targeting the problematic areas, small group (3-4 students) discussions during class in which students presented their assumptions and arguments in support of their responses to online and in-class questions, and two-stage exams involving the ability to "re-answer" as a group following a discussion). The in-class questions involved the use of a student response system (i > clicker) (multiple choice) and short answer formats. Students in the active learning course and a control, conventional lecture course, took identical midterms and finals for the first, and second quarters. We found that students enrolled in the active learning curriculum had consistently better performance, with statistically significant higher scores on all tests for both quarters. The effect sizes of the improvements are medium to large and are independent of prior GPA and grades in prerequisites. This model curriculum redesign offers promise for improved student learning with less monetary investment than a flipped course model relying on, for example, an extensive collection of instructor-produced videos. © 2018 International Union of Biochemistry and Molecular Biology, 47(1):7-15, 2018.

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)0,004
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,004
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,010
Tête enseignante GPT0,328
Écart entre enseignants0,318 · 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

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiochemistry and Molecular Biology EducationMême sujetInnovative Teaching MethodsTravaux en français237 207