Team Based Learning
Notice bibliographique
Résumé
Learning in teams offers unique benefits to understand and address contemporary, global, and local challenges through effective and thoughtful learning journeys. However, learning in teams is not always thoroughly planned or effectively delivered. In trying to better understand what processes support or hinder effective and innovative learning in teams, a group of researchers and practitioners explored what works and what needs to be improved in the context of one Canadian university. This article highlights the key findings from this study and offers readers strategies to support effective, innovative, and collaborative learning in teams. L’apprentissage en équipe, effectué au moyen de parcours efficaces et bien pensés, est tout particulièrement utile pour trouver des solutions aux problèmes actuels à l’échelle mondiale et locale. Toutefois, ce type d’apprentissage présente parfois des lacunes en matière de préparation et d’exécution. Dans le contexte d’une université canadienne, une équipe de chercheurs et de praticiens ont œuvré à faire la part entre ce qui fonctionne et ce qui ne fonctionne pas, de manière à savoir quels processus sont efficaces – ou non – pour obtenir un apprentissage en équipe efficace et novateur. Dans notre article, nous présentons donc les principaux résultats de cette étude et nous proposons des stratégies pour un apprentissage en équipe efficace, novateur et collaboratif.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 0,032 |
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 source (Gemma direct ou Codex distillé), 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 ».