MétaCan
Menu
Retour à la cohorte
Enregistrement W3083832582 · doi:10.1108/s2055-364120200000029003

From “Dust to the Dawn of a New Age”: Creating a 21st Century Active Learning Classroom

2020· book-chapter· en· W3083832582 sur OpenAlexaboutno aff
Afra Bolefski

Notice bibliographique

RevueInnovations in higher education teaching and learning · 2020
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueEducational Environments and Student Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésModular designSpace (punctuation)Key (lock)Active learning (machine learning)Mathematics educationComprehensionEngineeringManagementPsychologyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The idea of active learning classrooms (ALCs) in post-secondary institutions across North America is not a new one and it continues to gain prominence (Davis, 2018; Ellern & Buchanan, 2018; Park & Choi, 2014). Research shows that these dynamic classrooms increased student comprehension of key concepts, problem-solving ability, improved attitude toward learning, and overall learning gains (Cotner, Loper, Walker, & Brooks, 2013; Park & Choi, 2014). Not surprisingly then, there has been a growing number of academic libraries which see the potential benefits and have incorporated ALCs, or elements of such, into their spaces (Ellern & Buchanan, 2018; Karasic, 2016; Soderdahl, 2011).This chapter presents a case study on the 2017 redesign of a Canadian academic library, the Albert D. Cohen Management Library at the University of Manitoba in Winnipeg, Canada. Once considered a “study hall,” the renovated business library has been transformed into a modern student learning space. The library is outfitted with a modular ALC equipped to accommodate the varied learning needs of the twenty-first-century students at the Asper School of Business. The author provides a detailed first-hand account of the ALC planning process, key partnerships, challenges, and post-launch reaction.

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)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,128

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0160,018
Communication savante0,0170,011
Science ouverte0,0020,016
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,047
Tête enseignante GPT0,343
Écart entre enseignants0,296 · 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'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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovations in higher education teaching and learningMême sujetEducational Environments and Student OutcomesTravaux en français237 207