Problem‐solving strategies used in anatomical <scp>multiple‐choice</scp> questions
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Multiple-choice questions (MCQ) in the anatomical sciences are often perceived to be targeting recall of facts and regurgitation of trivial details. Moving away from this assumption requires the design of purposeful multiple-choice questions that focus on higher-order cognitive functions as opposed to rote memorization. In order to develop such questions, it was important to first understand the strategies that students use in solving multiple-choice questions. Using the think-aloud protocol, this study seeks to understand strategies students use in solving multiple-choice questions. Specifically, it seeks to uncover patterns in the reasoning process and tactics used when solving higher and lower order MCQ in anatomy. The research also provides insights onto how these strategies influence the student's probability of answering questions correctly. METHODS: Multiple-choice questions were created at three levels of cognitive functioning based on the ideas, connections, extensions (ICE) learning framework. The think-aloud protocol was used to unravel problem-solving strategies used by 92 undergraduate anatomy students as they solved multiple-choice questions. RESULTS: Sixteen strategies were identified through the oral and written think-alouds that students used to solve MCQ. Eleven of these have been described and supported by the literature, while the rest were utilized by our students when solving MCQ in anatomy. Domain-specific strategies of visualizing and recalling had the highest use. Personal connection was a strategy that allowed students to achieve success in all ICE levels in the oral think-alouds and in the I and E levels in the written think-alouds. CONCLUSIONS: This research argues that it is upon us as educators to make learning visible to our students, specifically through the use of think-alouds. It also raises awareness that when educators facilitate the process of students making personal connections, it aids students in new knowledge being integrated effectively and retrieved accurately.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».