Learning Theory and Educational Intervention: Producing Meaningful Evidence of Impact Through Layered Analysis
Notice bibliographique
Résumé
Like evidence-based medicine, evidence-based education seeks to produce sound evidence of impact that can be used to intervene successfully in the future. The function of educational innovations, however, is much less well understood than the physical mechanisms of action of medical treatments. This makes production, interpretation, and use of educational impact evidence difficult. Critiques of medical education experiments highlight a need for such studies to do a better job of deepening understanding of learning in context; conclusions that "it worked" often precede scrutiny of what "it" was. The authors unpack the problem of representing educational innovation in a conceptually meaningful way. The more fundamental questions of "What is the intended intervention?" and "Did that intervention, in fact, occur?" are proposed as an alternative to the ubiquitous evaluative question of "Did it work?" The authors excavate the layers of intervention-techniques at the surface, principle in the middle, and philosophy at the core-and propose layered analysis as a way of examining an innovation's intended function in context. The authors then use problem-based learning to illustrate how layered analysis can promote meaningful understanding of impact through specification of what was tried, under what circumstances, and what happened as a result. Layered analysis should support innovation design and evaluation by illuminating what principled adaptation of educational technique to local context could look like. It also promotes theory development by enabling more precise description of the learning conditions at work in a given implementation and how they may evolve with broader adoption.
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 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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».