MétaCan
Menu
Retour à la cohorte
Enregistrement W3180168562 · doi:10.24908/pceea.vi0.14908

ON THE RECORD: STUDENT MOTIVATIONS FOR RECORDING LECTURES AND IMPLICATIONS FOR LEARNING

2021· article· en· W3180168562 sur OpenAlexaffvenue
Ryan Clemmer, Julie Vale

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésPsychologyMathematics educationPerceptionMedical educationCoronavirus disease 2019 (COVID-19)PandemicMedicine

Résumé

récupéré en direct d'OpenAlex

Prior to the pandemic, a second-year engineering course was delivered using a blended synchronous format. Students were surveyed on many aspects of their experience with this format including their use of recorded lectures. Participants reported both recording and watching behaviour: 30% of students watched recorded lectures with students watching or recording at least half of the lectures throughout the semester. From the results, recording of the lectures offers an increase in the final grade of, on average, 9.5% (p=0.0071) for both lowattending and high attending students. While attending most synchronous lectures tends to yield overall better performance (on average, 14.4%, p=0.0001), low attending students can overcome part of that gap by reviewing recorded lectures. Motivations for recording were associated with scheduling conflicts that prevented participants from attending the live lecture and participants wanting to review the material afterwards. Generally, students chose not to record the lectures because of a perceived barrier to doing so or a perception that their existing lecture notes were sufficient. Post pandemic, it may be beneficial to incorporatelecture recording with face-to-face lectures to allow students the additional benefit of reviewing lecture material and increasing student access to lecture content.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,348
Score d'incertitude au seuil0,559

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,230
Écart entre enseignants0,222 · 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 tête enseignante, 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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetExperimental Learning in EngineeringTravaux en français237 207