MétaCan
Menu
Retour à la cohorte
Enregistrement W3179267649 · doi:10.24908/pceea.vi0.14898

THE EFFECT OF EXPERIENTIAL ENGAGEMENT WITH VIRTUAL LEARNING ON UNDERGRADUATE STUDENT SUCCESS

2021· article· en· W3179267649 sur OpenAlexaffvenue
Bronwyn Chorlton, Austin Martins-Robalino, Natalia Espinosa-Merlano, John Gales

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueLearning Styles and Cognitive Differences
Établissements canadiensUniversity of TorontoYork University
Organismes subventionnairesnon disponible
Mots-clésExperiential learningStudent engagementBridge (graph theory)PsychologyExperiential educationMedical educationMathematics educationMedicine

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to better understand the effect of undergraduate engineering student engagement with an experiential learning opportunity on academic success in a virtual format. Students in a second year Civil Engineering Materials course that was virtual due to the COVID-19 pandemic were given the option to shift a portion of the final exam weight onto an experiential project. The project consisted of the construction and loading of a small bridge, introducing an experiential component to the virtual course. As a reflective question onthe final exam, students were asked to record a brief video testimony related to their motivations and any perceived benefits for participating or not participating in theproject. Of the students who participated in the bridge project, 58% were characterized as having thorough or above average knowledge and understanding of the graduate attribute indicators, relative to 33% of students who did not participate. Engagement with the bridge project through experiential learning therefore aligned with strengthened understanding of the graduate attributes, within the restrictions of the remote environment. In planning for future online courses, this study shows a method of engaging students with an experiential activity virtually, its positive effect on academic achievement, and other associated benefits.

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)0,003
score de la tête « metaresearch » (Gemma)0,023
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,999
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,023
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,254
Écart entre enseignants0,250 · 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

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetLearning Styles and Cognitive DifferencesTravaux en français237 207