MétaCan
Menu
Retour à la cohorte
Enregistrement W3035401945 · doi:10.1177/2373379920930723

Experiential Learning in the Classroom: The Impact of Entrepreneurial Pitches for Global Health Pedagogy

2020· article· en· W3035401945 sur OpenAlexaff
Obidimma Ezezika, Jenny Gong

Notice bibliographique

RevuePedagogy in Health Promotion · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensOntario Tech UniversityThe Scarborough HospitalPublic Health OntarioUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésExperiential learningConceptualizationPsychologyCurriculumExperiential educationNarrativePedagogyMedical educationMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

Traditional experiential learning techniques have been incorporated into public health curricula in the past; however, research has demonstrated the need for more applied and innovative approaches to experiential learning. We introduced an entrepreneurial pitch project where students had the opportunity to design and present technological and social innovations to an external panel of judges. We then evaluated the impact of such pitches on experiential learning by conducting semistructured, face-to-face interviews with student participants. The interview transcripts were analyzed in light of Kolb’s experiential learning theoretical framework. The results of the study indicated that the process of preparing and delivering entrepreneurial pitches was rewarding for students and enhanced their learning experience. The process provided students with concrete experiences and demonstrated elements of abstract conceptualization and active experimentation. However, the results also illustrated that the entrepreneurial pitch process could be strengthened by the addition of critical self-reflection activities. Through the results of this study, we have created a narrative on how entrepreneurial pitches might foster experiential learning in global health pedagogy and provided recommendations for course designers and instructors to consider in maximizing experiential learning for students.

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)0,006
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,003
Communication savante0,0030,002
Science ouverte0,0010,007
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,046
Tête enseignante GPT0,404
Écart entre enseignants0,357 · 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'étudeObservationnel
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

Citations13
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePedagogy in Health PromotionMême sujetBiomedical and Engineering EducationTravaux en français237 207