Sequential Writing Assignments to Critically Evaluate Primary Scientific Literature
Notice bibliographique
Résumé
In the later years of undergraduate study, students read, process, and evaluate primary literature within specific fields of study. Shifting from textbooks to the vast amounts of peer-reviewed current literature can be difficult for students. This article details an innovative approach to helping students successfully make this transition through a series of sequential assignments based on the levels of increasing cognitive complexity in Bloom’s taxonomy. These assignments are designed to be flexible enough to use in fields throughout the sciences and beyond, while allowing instructors to tailor these assignments to meet the needs of their particular students.
 
 Dans les dernières années de leurs études de premier cycle, les étudiants procèdent à la lecture, à l’assimilation et à l’examen des principaux travaux dans des domaines d’études particuliers. Le passage des manuels d’apprentissage à la masse profuse des travaux de recherche actuels évalués par les pairs peut être difficile pour les étudiants. Dans notre article, nous présentons une approche novatrice visant à aider les étudiants à réussir cette transition grâce à un ensemble de devoirs dont la succession répond à l’échelle de complexité cognitive selon la taxinomie de Bloom. Ces devoirs sont conçus de manière flexible pour un usage dans différents domaines scientifiques et ailleurs, ce qui permet aux enseignants de les adapter selon les besoins particuliers de leurs étudiants.
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 | 0,004 | 0,008 |
| 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 | 0,006 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».