MétaCan
Menu
Retour à la cohorte
Enregistrement W3159922431 · doi:10.24908/iqurcp.9108

14. By Students, For Students: Adapting Inquiry-Based Learning for Undergraduate Human Anatomy Education in a Large Class Setting

2016· article· en· W3159922431 sur OpenAlexvenueno aff
Ralph T.T. Yeung, Wyanne Law, Lauren Anstey

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnthusiasmPresentation (obstetrics)Class (philosophy)Context (archaeology)FacilitationIdentification (biology)Inquiry-based learningMathematics educationSubject (documents)PsychologyPedagogyComputer scienceMedicineArtificial intelligenceLibrary scienceBiology

Résumé

récupéré en direct d'OpenAlex

Inquiry-based learning (IBL) is a well-documented educational paradigm that has been adopted for the teaching of various subjects. In the interest of finding novel methods of teaching a traditionally lecture-based subject, IBL was adopted into an undergraduate human anatomy course in 2009 as a project called Inquiry 216. This project allows students to engage in a group-oriented and open-ended research project culminating in a free-format presentation. Since its inception, Inquiry 216 has undergone multiple revisions in methodology, with particular attention paid to formalizing the role of student facilitation, encouraging graduates of Inquiry 216 to become facilitators, and the evaluation and subsequent improvement of IBL in the context of Inquiry 216. A chronological account of conception, issue identification, objective and subjective evaluation and improvement of Inquiry 216 to its present model is illustrated, along with a specific emphasis on the benefits of student-based facilitation. We suggest that successful development, evaluation and improvement of IBL as a parallel to didactic education can further enhance students’ potential and enthusiasm for learning across various subjects.

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)0,009
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0040,003
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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 Opus0,073
Tête enseignante GPT0,477
Écart entre enseignants0,405 · 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'étudeQualitatif
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetInnovations in Medical EducationTravaux en français237 207