MétaCan
Menu
Retour à la cohorte
Enregistrement W3129600967 · doi:10.29173/isotl538

As Student Response Systems Expand Features and Question Types, Multiple Choice Continues to be the Gold Standard for Calculations from both Student and Instructor Perspectives

2021· article· en· W3129600967 sur OpenAlexaffvenue
Kyle Anderson

Notice bibliographique

RevueImagining SoTL · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésClickerMultiple choicePreferenceFormative assessmentSummative assessmentClass (philosophy)Mathematics educationLaptopComputer scienceTest (biology)PsychologyArtificial intelligenceMedicineMathematics

Résumé

récupéré en direct d'OpenAlex

Student response systems (SRS) continue to evolve as bring-your-own-device (BYOD) systems allow more question and answer types to be utilized. While users were once limited to a button press on a clicker selecting from a list of predetermined responses, students can now generate text and numerical responses on their personal devices. Question and response types are now limited only by software, and new features can be added without requiring an overhaul of the existing system. Using two successive course offerings of a biomedical lab techniques class, the effect of question type was evaluated, using a crossover experimental design, and applied to novel discipline-specific calculations. Students used the Top Hat student response system (tophat.com) to answer either multiple choice questions (MCQ) or numerical response questions (NRQ) in class. Student responses were tracked for elapsed time to completion, performance, and subsequent test performance. Additionally, students were surveyed about their question-type preference. Analysis shows that on formative assessments, students take less time on multiple choice questions, are successful more often, and show a clear preference for this type. When students used those calculations on summative exams, they performed similarly regardless of whether they initially used MCQ or NRQ. Students also expressed clear preference for MCQ. The use of NRQ is still recommended to be used strategically as it increases question difficulty and diversity. The findings from this study may assist STEM instructors looking to formulate their own evidence-based best practices when incorporating SRSs intotheir pedagogy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,142
score de la tête « metaresearch » (Gemma)0,255
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,142
Score d'incertitude au seuil0,751

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1420,255
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0040,004
Études des sciences et des technologies0,0020,003
Communication savante0,0080,010
Science ouverte0,0030,006
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0450,026

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 Opus0,036
Tête enseignante GPT0,431
Écart entre enseignants0,395 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations2
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImagining SoTLMême sujetInnovative Teaching MethodsTravaux en français237 207