Revolutionizing Learning Environments with Guerrilla Pedagogy in Large Classes
Notice bibliographique
Résumé
Engaging students in large classes can be challenging for educators. In this study, we implemented a guerrilla tactic in an effort to engage our students. Guerilla tactic is a pedagogical approach where one teacher (the “guerrilla”) enters into a colleague’s class that is in session, sits for a while, takes over the teaching for about ten minutes, then leaves the classroom. There is an element of student surprise with guerrilla pedagogy because students are not informed in advance about the guerrilla visit and the host instructor has no prior knowledge on what the visiting guerrilla instructor would talk about. For this study, two practical nursing instructors who teach the same courses (i.e., anatomy and physiology, and pathophysiology) to different sections collaborated as guerrilla instructors. Four sections of students; two from anatomy and physiology and two from pathophysiology participated in the study. Each section had about one hundred students. The disruptive guerrilla pedagogy was implemented during the 2019 winter semester. At the end of the semester, students completed a survey about their experiences that had both Likert scale and open-ended questions. The instructors critically reflected on their experiences. Thematic analysis and descriptive statistics were used to analyze the data. Overall, students and the instructors had positive experiences with the instructional strategy. In our reflective analysis, we answer Hutchings's (2000) taxonomy of scholarship of teaching and learning (SoTL) inquiry questions. We found that students appreciated being exposed to two experts who have different instructional strategies. Educators have to trust and respect their peers in ways that allow them to be vulnerable and enhance their practice. The surprise and instructor collaboration brought by guerrilla pedagogy enhanced students’ engagement in large classes.
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 | 0,003 | 0,021 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».