Supporting Student Learning and Experiences in the Lab: (How) Should We Design Their Groups?
Notice bibliographique
Résumé
Abstract Undergraduate science students spend a substantial amount of time working in their laboratory groups, and instructors want to make evidence-based decisions on how to best set up these groups. Despite several studies on group composition, the evidence appears to be quite context-specific, and very little has been published about lab groups. Further, many studies focus solely on conceptual learning; however, the lab is an important venue for also supporting non-content outcomes such as confidence, process skills, team skills, and attitudes. Thus, in our introductory course on molecules, cells, and physiology we were interested in the impact of group composition, on a spread of student outcomes. Students were either placed into groups by the instructor, or self-selected into groups. To assess the impact of group composition on student outcome, we collected pre/post data from >500 students over 2 semesters. Our measures assess conceptual knowledge, confidence in lab skills, attitudes toward group learning, lab grades, gender, year of study, and (via open-ended questions) student perspectives. Using a multiple regression approach, we established models that predict student outcomes based on their individual attributes and on their lab group attributes. Surprisingly, the hetero/homogeneity of the initial group, and whether the groups were student- or instructor-selected, did not affect student outcomes in these models. Further MANCOVA analysis demonstrated that student interaction outside of the lab time was the strongest predictor of positive student attitudes toward group learning. Student perspectives on group formation are mixed, and suggest that a simple and flexible choice approach may best support our students. Overall, these findings have clear implications for our course design and instructional choices: we should focus our efforts to promote positive student interactions, rather than worrying about initial composition.
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 | 0,014 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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.
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 ».