Examining In-Person and Asynchronous Information-Seeking Behavior Instruction Among First-Year Engineering Students
Notice bibliographique
Résumé
This is a complete evidence-based practice paper.The current COVID-19 global pandemic has required educators to pioneer online instruction even as they deliver it.This shift has particularly impacted first-year programs, in which training engineering students to find reliable information is fundamental to their professional development and ABET and CEAB accreditation criteria.Typically, information seeking is taught in person so that instructors and librarians can directly observe and guide student behavior, a practice still evolving but well-established by research.However, the effects of online information-seeking training and the sudden transition on students' learning are very poorly understood.Even less is known about the use of asynchronous instructional methods.This paper significantly enhances existing knowledge by directly examining the efficacy of in-person and asynchronous online instructional modalities.For 60 students in a mandatory engineering-communication course, we deployed an enhanced online baseline-assessment exercise to understand students' existing information-seeking behavior.Librarians then deployed an asynchronous online lesson to teach engineering research practices, critical evaluation, and information literacy.We evaluated the extent to which the online lesson impacted student information-seeking behavior and compared it to existing data from the prior year's classroom version.Our results demonstrate that the asynchronous learning module significantly enhanced the students' critical evaluation of sources and student outcomes were comparable with results in the previous synchronous course.These results have dramatic implications for how we understand students' baseline information-seeking behaviors, pedagogical design to bring about meaningful changes in students' use of sources, and how course design can incorporate effective asynchronous online delivery in diverse models.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».