EFFECTIVE LEARNING ENVIRONMENTS: IS THERE ALIGNMENT BETWEEN THE IDEAL, THE ACTUAL, AND THE STUDENTS' PERSPECTIVE?
Notice bibliographique
Résumé
The overarching principles of effective educational practice in higher education define the characteristics of an effective learning environment. Institutions of all sizes have demonstrated that it is possible to increase student success and add value to the learners' experiences by applying these principles. This qualitative study explores the alignment between the ideal learning environment, the actual undergraduate engineering experience as defined by engineering educators, and the learners' perspective. 
 Building on the benchmarks of effective learning environments, students were asked to complete an online survey based on the Stop, Start, Continue method for acquiring formative feedback. Thematic analysis identified five themes: focus on learning, supported instruction, quality of teaching, student engagement, and other related items including academic rigour and strong relationships between students, instructors, and staff.
 Students indicate that their primary learning environment is teacher-directed and lecture-based. This is aligned with the current practices identified by engineering educators, but only partially in line with those of an effective learning environment. Coded items indicate that many students have sub-optimal motivational outlooks, but feel their ability to survive and thrive is improved when they are more involved in their learning and are supported in a more student-centred learning environment. They value instructors who provide clear and accurate resources, and who are supportive through actions both in and out of the classroom. Engineering educators can use these insights to better align their teaching practices with the principles and practices of effective learning.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».