What works? What's missing? An evaluation model for science curricula that analyses learning outcomes through five lenses
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
Science is rapidly changing with vast amounts of new information and technologies available. However, traditional instructional formats do not adequately prepare a diverse population of learners who need to evaluate and use knowledge, not simply memorize facts. Moreover, curricular change has been glacially slow. One starting goal for curricular change can be identifying the features of a current curriculum, including potential areas for improvement, but a model is needed to accomplish that goal. The vast majority of studies related to curricular change have been conducted in K-12 environments, with an increasing number in post-secondary environments. Herein, we describe a model for science curriculum evaluation that we designed by integrating a number of different approaches. That model evaluates the intended, enacted, and achieved components of the curriculum, anchored by analyzing learning outcomes through five lenses: (i) a scientific <italic>Framework</italic> reported by the US National Research Council, (ii) systems thinking, (iii) equity, diversity, and inclusion, (iv) professional skills, and (v) learning skills. No curriculum evaluation models to date have used the five learning outcomes lenses that we describe herein. As a proof of principle, we applied the evaluation model to one organic chemistry course, which revealed areas of strength and possible deficiencies. This model could be used to evaluate other science courses or programs. Possible deficiencies may be addressed in other courses, in the course at hand, or may not be deemed necessary or important to address, demonstrating the potential for this evaluation to generate areas for discussion and ultimately, improvements to post-secondary science education.
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 | 0,012 | 0,030 |
| 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 | 0,001 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,000 | 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 découle