MétaCan
Menu
Retour à la cohorte
Enregistrement W2941199026 · doi:10.1187/cbe.17-07-0137

Retention following Two-Stage Collaborative Exams Depends on Timing and Student Performance

2019· article· en· W2941199026 sur OpenAlexaff
James E. Cooke, Laura K. Weir, Bridgette Clarkston

Notice bibliographique

RevueCBE—Life Sciences Education · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueStudent Assessment and Feedback
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésKnowledge retentionRetention rateRetention timeCollaborative learningPsychologyContent (measure theory)Computer scienceMedical educationMathematics educationMedicineChemistryMathematicsChromatography

Résumé

récupéré en direct d'OpenAlex

Multistage collaborative exams are implemented to enhance learning and retention of course material. However, the effects of multistage collaborative exams on retention of course content are varied. These discrepancies may be due to a number of factors. To date, studies examining collaborative exams and content retention have used questions that all, or mostly, require students to select an answer, rather than generate one of their own. However, content retention can improve when students generate their own responses. Thus, we examined the effect of collaborative exams with open-ended questions on retention of course content. Retention was measured at two time periods; one relatively shortly (9 days) following a collaborative exam and another over a longer time period (23 days). Furthermore, we examined whether content retention differed for low-, mid-, or high--performing students. Our results suggest that collaborative exams offer retention benefits at relatively long time periods between pre- and posttests, but not over shorter time periods. Retention varied across students in different performance categories. Our study, the first to use only open-ended questions, showed relatively small effects compared with studies using multiple-choice or fill-in-the-blank format, but still suggest that collaborative exams can aid in content retention.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,230
Score d'incertitude au seuil0,838

Scores Codex et Gemma par catégorie

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

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 Opus0,042
Tête enseignante GPT0,403
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 tête enseignante, 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

Citations22
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCBE—Life Sciences EducationMême sujetStudent Assessment and FeedbackTravaux en français237 207