MétaCan
Menu
Retour à la cohorte
Enregistrement W3001405967 · doi:10.24908/pceea.vi0.13805

ONE-A-DAY PROBLEMS FOR IMPROVING STUDENT LEARNING AND STUDY HABITS

2019· article· en· W3001405967 sur OpenAlexaffvenue
Mary Ann Robinson, Carol Hulls, Chris Rennick

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueTeaching and Learning Programming
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésScheduleInterruptComputer scienceDuration (music)Mathematics educationTeamworkMedical educationAcademic yearMechatronicsTerm (time)PsychologyMedicineArtificial intelligenceManagement

Résumé

récupéré en direct d'OpenAlex

At the University of Waterloo, Mechatronics Engineering students take their first programming course in their first academic term. In 2016, Waterloo introduced a two-day long fall break immediately following the Thanksgiving weekend. The fall break back-to-back with their midterm week means students have as many as 18 days between programming lectures. The breaks also interrupt the schedule of weekly assignments that provide students’ primary means of practicing programming. In an attempt to mitigate any negative effects of the break on those students who are not experienced programmers and may not know how to use their time effectively, "One-a-Day Problems" were tried. Students were expected to work on that one problem for the day, which was expected to take roughly 30-minutes to complete, and were encouraged to contact the instructor or other members of the teaching team with any questions or concerns. The problems remained available on the LMS throughout the term and no solutions to these problems were posted on the LMS. Students enjoyed receiving extra practice problems using this format, and engaging with these questions resulted in higher performance on both the midterm and final exam. Engagement with the problems was lower than desired, however, especially with students with no prior programming experience.

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)0,018
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: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,083

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,001
Communication savante0,0040,003
Science ouverte0,0030,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0250,009

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 Opus0,006
Tête enseignante GPT0,220
Écart entre enseignants0,214 · 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
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetTeaching and Learning ProgrammingTravaux en français237 207