‘Experience Congruence’ as a Criterion for Generalizability?
Notice bibliographique
Résumé
When evaluating the applicability of published SoTL and/or educational research results faculty often focus on the differences in demographic characteristics between the students in their academic context and those of the students where the data were collected. This could be problematic since readers might choose to dismiss a particular innovation if they perceive the discrepancies to be significant even though this reliance on demographics to identify informative pedagogical research may not always be justified. We report the results of survey of 1326 students from three introductory-level, first-year chemistry courses (a total of ten sections with ten different instructors) at two universities with significantly different student populations. The survey asked students to choose the hardest and easiest from five groups of topics typically taught in first-year chemistry courses. Remarkably, when separated by lecture section, overlaid frequency plots of students’ choices of hardest topic revealed a singular pattern. The trend transcended universities, courses, textbooks, instructors, and demographics. The only common parameter between the samples was the chemistry topics they learned. The correspondence in content, as such, constituted an “experience congruence”. Based on these data, we propose that readers might consider experience congruence – in lieu of sample or population characteristics – as a criterion for judging the generalizability of educational data.
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 | 0,513 | 0,736 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,019 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,006 |
| 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 ».