EXPANDED CROSS-DISCIPLINE IMPLEMENTATION STRATEGY OF DISCOVERY: A BIOMEDICAL ENGINEERING-THEMED EDUCATION PROGRAM BRIDGING SECONDARY AND POST-SECONDARY LEARNING
Notice bibliographique
Résumé
High school science, technology, engineering, and math (STEM) curricula are generally knowledge-based in methodology and focus on content delivery in preparation for post-secondary study. However, the rapid technological change at the cutting edge and the rate of global integration in STEM highlight the importance in developing a holistic critical thinking framework for student learning. In 2016, graduate students at the Institute of Biomaterials & Biomedical Engineering created Discovery, a collaborative high school educational program focused on critical thinking skill development through inquiry in the context of biomedical engineering (BME) [1]. Aligning with demonstrated evidence that inquiry-based active learning approaches are more effective in enhancing student learning than traditional teaching methods [2], evaluation in Discovery reinforces the value of a differential learning environment for high school STEM students who struggle in a knowledge-focused classroom [3,4]. In addition, the Discovery model is shown to enhance student attitudes towards STEM and post-secondary education, meanwhile providing robust opportunity for graduate trainees to develop and apply pedagogical skills through development of curriculum appropriate for university-preparatory students. Program impact provides opportunities to discuss this unique learning framework, collaborative delivery strategy, and implementation strategy of Discovery as a resource for translation to disciplines beyond BME, and institutions beyond the University of Toronto.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».