MétaCan
Menu
Retour à la cohorte
Enregistrement W3010736344 · doi:10.5430/ijhe.v9n3p109

The Research-Teaching Nexus and Its Influence on Student Learning

2020· article· en· W3010736344 sur OpenAlexvenueno aff
Begoña Gros Salvat, Manel Viader, A. Cornet, M. Jesus Martinez, Jordi Palés, Marta Sancho

Notice bibliographique

RevueInternational Journal of Higher Education · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Practises and Engagement
Établissements canadiensnon disponible
Organismes subventionnairesUniversitat de Barcelona
Mots-clésNexus (standard)Context (archaeology)Mathematics educationHigher educationTeaching and learning centerWork (physics)Knowledge managementPedagogyPsychologyTeaching methodComputer scienceEngineeringPolitical science

Résumé

récupéré en direct d'OpenAlex

The relationship between teaching and research in universities has been widely studied in the higher education literature, but no clear relationship between the two has been identified. Nevertheless, in recent years, research has been linked to a form of teaching that is more focused on the development of competences and learning capacity through enquiry and the generation of new knowledge. In this context, it is important for teachers and students to work together on the design of shared spaces for research and learning. This work examines the case of the University of Barcelona to analyse whether there is enough connection between research and teaching to allow students to experience this link and to successfully develop research competences. Teaching plans of the academic year 2018-19 were screened to identify research-related competences, the modules they appear in, and the descriptions of the evaluation systems. This information was compared to the students’ perceptions of the actual training they had received on these research competences. Results showed that teaching plans establish numerous competences related to research and generating new knowledge. However, students consider that this knowledge is not developed until the final year project.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,866
Score d'incertitude au seuil0,676

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,107
Tête enseignante GPT0,496
Écart entre enseignants0,388 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations26
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Higher EducationMême sujetHigher Education Practises and EngagementTravaux en français237 207