Empirically Supported Strategies for Encouraging Critical Thinking
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Critical thinking is the ability to construct and evaluate arguments (Facione, 1990). Teaching students to think critically is undeniably one of the most important goals of university education. Accordingly, much of the teaching literature provides suggestions for improving critical thinking among students. Unfortunately, many of these papers contain anecdotal evidence, relying heavily on personal testimony without the support of empirical data and statistical analysis (Abrami et al., 2008; Behar-Horenstein & Niu, 2011). These findings have important implications for instructors who try to foster critical thinking in their classrooms. The present workshop addresses this problem by discussing the following three teaching techniques which have been empirically tested and found to reliably improve critical thinking across multiple investigations: (a) the use of higher-order questioning (Barnett & Francis, 2012; Fenesi, Sana, & Kim, 2014; Renaud & Murray, 2007; Renaud & Murray, 2008; Smith, 1977; Williams, Oliver, & Stockdale, 2004); (b) peer-to-peer interaction (Abrami et al., 2008; Smith, 1997); and (c) explicit critical thinking instruction (Abrami et al., 2008; Bangert-Drowns, & Bankert, 1990; Behar-Horenstein et al., 2010; Tiruneh et al., 2016).
 This workshop is intended for members of all disciplines seeking to work together to develop an empirically supported framework for teaching critical thinking at the university level.
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.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle