MétaCan
Menu
Retour à la cohorte
Enregistrement W2906304356 · doi:10.18260/1-2--30997

Strengthening Student Understanding Through Interactive Classroom Methods in Computer Science and Engineering

2020· article· en· W2906304356 sur OpenAlexaffabout
Rania Al-Hammoud, Ona Egbue, Arshia Khan, Darynne Hagen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésAttendanceClass (philosophy)CurriculumMathematics educationCritical thinkingStudent engagementComputer scienceTest (biology)Engineering educationPsychologyPedagogyEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract This paper assesses the impact of various in-class instructional tools in post-secondary engineering curriculum. Various interactive methods were employed in university classrooms in Canada and the United States and analyzed to assess their effectiveness. These methods were evaluated to determine their efficacy in stimulating students, prompting critical thinking, and deepening overall understanding. The overall goal of each method is unique and the outcomes of implementing them in a classroom setting are presented in this paper. Student engagement and attendance was seen to increase as a result of iClicker use and the associated participation points. Additionally, Google forms were used to capture student responses of in-class practice of Boolean Algebra. Students found the forms to be helpful in comparing their responses with other students’ responses. The forms also helped the instructor gauge the class understanding by viewing the student response summary. This prompted the instructor to either explain the material in a different manner or move to another topic depending on the number of correct responses. The instructor could also identify the areas where students struggled the most. The third method, Immediate Feedback Assessment Technique, was used to solidify students’ understanding of test concepts, provide immediate feedback on whether they approached the concept correctly, and provide an opportunity to improve their grades. Overall, it was found that the interactive activities discussed in this paper increased engagement, information retention, critical thinking skills and overall learning experience of the engineering 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.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,154
Tête enseignante GPT0,466
Écart entre enseignants0,312 · 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'étudeSans objet
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

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetInnovative Teaching MethodsTravaux en français237 207