MétaCan
Menu
Retour à la cohorte
Enregistrement W3115602025 · doi:10.3390/educsci11010013

Exploring Chemistry Professors’ Methods of Highlighting the Relevancy of Chemistry: Opportunities, Obstacles, and Suggestions to Improve Students’ Motivation in Science Classrooms

2021· article· en· W3115602025 sur OpenAlexaboutno aff
Anna George, Christian Zowada, Ingo Eilks, Ozcan Gulacar

Notice bibliographique

RevueEducation Sciences · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueScience Education and Pedagogy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCurriculumPerceptionRelevance (law)ChemistryMathematics educationChemistry educationValue (mathematics)PsychologyMedical educationPedagogyComputer scienceMedicinePolitical science

Résumé

récupéré en direct d'OpenAlex

This study focused on inquiring into undergraduate chemistry professors’ efforts in North America to increase student motivation and interest in the subject and the feasibility of methods that connect students to real world applications and societal issues related to chemistry. A survey was distributed to chemistry instructors at post-secondary institutions across the United States and Canada asking about the usage of methods and tools to deliver content aiming at raising students’ perception of the relevance of learning chemistry (N = 124). The instrument also asked about instructors’ perceptions related to assessment, as well as their perception of how their students value the integration of socio-scientific issues into the curriculum. A chi-squared analysis was performed to identify groups of individuals whose responses were disproportionate, compared to the distribution of responses from the sample, in order to identify any unique occurrences. In general, the usage of real-world applications and socio-scientific issues in post-secondary chemistry courses tends to be related to instructors’ value of the role of these topics in their courses, comfort level with the topics, and preferred approaches to developing and implementing the course materials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,431
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,002
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,409
Tête enseignante GPT0,499
Écart entre enseignants0,089 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEducation SciencesMême sujetScience Education and PedagogyTravaux en français237 207