MétaCan
Menu
Retour à la cohorte
Enregistrement W2988453396 · doi:10.5194/egusphere-egu2020-9992

On-Ramps to more effective teaching: Quick-start guides to strategies for actively engaging students in the classroom to improve learning

2020· article· en· W2988453396 sur OpenAlexaff
Barbara J. Tewksbury, Florian Fußeis, Phillip G Resor, Jennifer M. Wenner, Kimberly Blisniuk, Cailey B. Condit, Anne E. Egger, Kyle Fredrick, JB Kirkpatrick, Sara Mana, Kendra E. Murray, Beth Pratt-Sitaula, Christine Regalla, Carolyn Tewksbury‐Christle

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésBrainstormingMathematics educationChemistryPsychologyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

<p>The landscape of college and university teaching in the geosciences has changed over the past 20 years.  Research has documented 1) that faculty in the U.S. now spend less time lecturing and more time actively engaging students in the classroom, and 2) that active engagement is more common in geoscience classrooms than it is in biology, chemistry, physics, or engineering. The web sites of <em>Teach the Earth</em>  and <em>On the Cutting Edge</em> have thousands of web pages of resources for geoscience faculty who want to more actively engage their students in the classroom. But what if you want to incorporate more active learning but aren’t sure where to start or how these techniques might work in your courses? Or what if you are looking for new approaches or fresh ideas to add to techniques that you already use?</p><p>On-Ramps are quick-start guides designed to bring you up to speed in effective strategies for engaging students more actively in the classroom. Each 2-page On-Ramp focuses on a particular teaching strategy, rather than on how to teach a particular topic. The current On-Ramps cover interactive lecture, brainstorming, concept sketches, jigsaws, discussions, quantitative skill-building, just-in-time approaches, case studies, and re-thinking course coverage and linearity. Each On-Ramp includes a simple example that illustrates the strategy, why the technique is valuable, implementation tips, additional examples and modifications, and links to activities, supporting research, and other resources. On-Ramps will be available at the poster and can also be downloaded as pdfs from serc.carleton.edu/onramps/index.html</p><p>On-Ramps originated from the 2018 community vision report to US National Science Foundation on <em>Challenges and Opportunities for Research in Tectonics</em>, and their development was supported with a grant from NSF. The On-Ramps writing team is a group of geoscientists at a variety of career levels with specialties across the range of subdisciplines that regularly address tectonic problems. Although examples currently focus on the broad field of tectonics, On-Ramps can be easily adapted for courses in other geoscience disciplines at all levels.</p><p> </p>

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)0,010
score de la tête « metaresearch » (Gemma)0,015
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,015
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 savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,066
Tête enseignante GPT0,447
Écart entre enseignants0,380 · 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.

Devis d'étudeQualitatif
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInnovative Teaching MethodsTravaux en français237 207