MétaCan
Menu
Retour à la cohorte
Enregistrement W3004129015 · doi:10.5206/cjsotl-rcacea.2019.3.9462

Investigating the Alignment of Intended, Enacted, and Perceived Learning Outcomes in an Authentic Research-Based Science Program

2019· article· en· W3004129015 sur OpenAlexaffvenue
Hagar I. Labouta, Natasha Kenny, Patti Dyjur, Rui Li, Max Anikovskiy, Leslie Reid, David T. Cramb

Notice bibliographique

RevueThe Canadian Journal for the Scholarship of Teaching and Learning · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueProblem and Project Based Learning
Établissements canadiensToronto Metropolitan UniversityUniversity of CalgaryUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésCurriculumPerceptionFocus groupConsistency (knowledge bases)Context (archaeology)Authentic learningPsychologyPedagogyMathematics educationMedical educationComputer scienceSociologyMedicine

Résumé

récupéré en direct d'OpenAlex

This study investigates the intended, enacted, and perceived curriculum in an authentic research-based science program using curriculum mapping as a tool for analysis. The main research inquiry guiding this study is: How do the students’ perceptions on their achieved learning outcomes in an authentic research-based learning environment align with the intended and enacted outcomes? A mixed method approach was adopted, where the program and its core-courses were mapped from different perspectives. Data on the learning outcomes and perceptions of students learning were collected through questionnaires, focus groups, and interviews from multiple perspectives. Results of the curriculum mapping showed consistency and cogency of program and course-level learning outcomes. Students’ perceptions of their authentic research experiences were well-aligned with the intended and enacted learning outcomes. The results of this study could be used to help other programs implement similar curriculum review approaches in their context.

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)0,031
score de la tête « metaresearch » (Gemma)0,103
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,031
Score d'incertitude au seuil0,165

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,103
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,003
Communication savante0,0060,003
Science ouverte0,0010,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,091
Tête enseignante GPT0,410
Écart entre enseignants0,319 · 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'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

Citations6
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal for the Scholarship of Teaching and LearningMême sujetProblem and Project Based LearningTravaux en français237 207