MétaCan
Menu
Retour à la cohorte
Enregistrement W3184861715 · doi:10.1080/03098265.2021.1955244

The mobility of experiential learning pedagogy: transferring ideas and practices from a large- to a small-campus setting

2021· article· en· W3184861715 sur OpenAlexaffabout
Roza Tchoukaleyska, Ken Carter, Emily Dluginski, Marilyn Forward, Andrew King, Olivia M LeBlanc, Christopher Ratcliffe

Notice bibliographique

RevueJournal of Geography in Higher Education · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeography Education and Pedagogy
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésExperiential learningFlexibility (engineering)Context (archaeology)Experiential educationSoftware deploymentTransfer of trainingHigher educationPedagogySociologyPsychologyMathematics educationKnowledge managementComputer sciencePolitical scienceGeographyManagement

Résumé

récupéré en direct d'OpenAlex

In this article, we examine the development of a new, experiential learning human geography and planning course at a smaller campus in Newfoundland, Canada. Our interest is twofold: to consider how pedagogical approaches can be transferred between a large urban campus and a small-town location; and to examine the benefits and complications of such transfers through a reflective examination of the resulting experiential learning program. The article captures the experiences of students, faculty, and university engagement staff in the deployment of the course. From these perspectives, we situate the decision to transfer an existing program across universities, the nuances of adapting such programs to the local context, and the challenge of meeting student desires for experiential learning amidst experimental pedagogical approaches. The paper concludes by suggesting that transferring pedagogical models across locations requires flexibility in terms of ensuring that new modules fit existing program constraints, and that such transfers have the potential to both challenge and positively transform experiential learning processes.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,142
Score d'incertitude au seuil0,645

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,034
Tête enseignante GPT0,397
Écart entre enseignants0,363 · 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

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Geography in Higher EducationMême sujetGeography Education and PedagogyTravaux en français237 207