Incorporating higher order thinking and deep learning in a large, lecture-based human physiology course: can we do it?
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
Large classes taught with didactic lectures and assessed with multiple-choice tests are commonly reported to promote lower order (LO) thinking and a surface approach (SA) to learning. Using a case study design, we hypothesized that incorporating instructional scaffolding of core physiology principles and assessing students exclusively with long-answer written tests would encourage higher order (HO) thinking and promote a deep approach (DA) to learning in a two-course physiology sequence (Phys I and II), despite their large size. Test questions were categorized as LO or HO according to the Blooming Biology Tool, and students’ LO and HO performance was determined for each of six tests across the two courses. The validated Revised Two-Factor Study Process Questionnaire survey tool was administered at the beginning and end of each course to measure student approach to learning. HO performance was maintained across Phys I (72.9 ± 19.4 vs. 74.8 ± 20.7%, P = 0.37) and significantly improved across Phys II (69.9 ± 18.4 vs. 79.4 ± 14.8%, P < 0.001). Unexpectedly, students’ LO performance declined from the beginning to end of Phys I (78.5 ± 20.6 vs. 69.4 ± 17.9%, P < 0.001) and Phys II (80.5 ± 19.6 vs. 72.2 ± 24.3%, P < 0.001). Students’ approach to learning did not change throughout Phys I or II, but at each time point students preferred a DA over a SA. Taken together, these results indicate that an intentionally designed large lecture class can support a DA to learning and suggests that this teaching and assessment structure may be particularly well suited to promote HO thinking, albeit possibly at the expense of LO thinking.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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