Academic Writing in the Health Professions
Notice bibliographique
Résumé
Academic writing in higher education has been a long-standing priority, with a greater need for writing supports noted in the past decades (Wingate & Tribble, 2012) and an increasing focus on discipline-specific language in order for students to learn to write and communicate effectively as professionals in their chosen fields (Grzyb et al., 2018). This study examined student learning outcomesin two writingintensive designated health professions courses (Nursing and Public Health). Students completed assignments throughout the semester. One course section required students to turn in a final paper without receiving feedback during the writing process while, in the other course, students received feedback on sections of the final paper throughout the semester. At the final exam stage, students were asked to reflect on their learning experience in the course. At the end of the semester, students submitted their final paper and completed a learning reflection to meet the course requirements. To inform a course revision, student paper and learning reflection narratives were analyzed. Narratives were de-identified and inductively coded by a single coder. First-round coding employed descriptive and in vivo coding to explore the data. The codebook for second-round coding was refined and codes were classified within the headings descriptive, emotion, and value. Findings indicate that students felt they had increased capacity for reflection when feedback was provided throughout the semester. They also felt they benefited from integrating feedback on the credibility of sources, organization, and citations. Integrating feedback and reflection opportunities contributed to greater student learning.
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 | 0,013 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».