Are We Ethically Bound to Use Student Engagement Technologies for Teaching Law
Notice bibliographique
Résumé
\n\t\t\t\t\tWhat conscientious law professor of first year, large format classes in torts, contracts, or criminal law has not pondered how to better engage students while easing their reluctance to speak out in class? While students entering law schools are quite adept with student engagement technologies (SETs) from undergraduate classes, some law faculties seem tied to the passive environment of lectures and PowerPoint presentations and hence reject SET methodologies as so much techno-wizardry. With the entry of webbased programmes into the expanding field of SETs, and increasing empirical evidence that active learning improves grades and closes gender and socio-economic gaps, the ethical question arises, are we not obliged as law teachers to employ them? This paper examines in three steps that gap between pronouncing from the podium and actively engaging learners by clicker response or web-based devices. Part I reviews the growing literature on active learning including SET-based methods. Part II examines two models of SETs, remote-based and web-based, for their comparative attributes and drawbacks, with a particular focus on law teaching. Part III details the author’s experiences with the clicker system teaching introductory law and criminology and offers practical suggestions for facilitating its use. The paper concludes that, in light of recent evidence of heightened learning success using active learning methodologies, and the impending complexity to education posed by wearable technologies, the ethical question of pedagogical competence grows in importance.\n\t\t\t\t
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».