MétaCan
Menu
Retour à la cohorte
Enregistrement W3196638781 · doi:10.1088/1361-6552/ac1c48

Utilizing active learning to engage engineering students in a freshman physics service course taught in an EFL environment

2021· article· en· W3196638781 sur OpenAlexaff
Aien Charity Grace White, A.J. Chaudhari, J. D. White

Notice bibliographique

RevuePhysics Education · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Teaching Methods
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMathematics educationMemorizationAttendanceClass (philosophy)ComprehensionActive listeningActive learning (machine learning)Physics educationPsychologyComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Engaging Electrical Engineering (EE) students in a freshman general physics service course is challenging as they see little relationship between the topics and their major. Non-native speakers enrolled in a course taught in English face an additional challenge beyond understanding the basic physics, that is, understanding specialized English. These challenges are especially serious at second tier universities in Taiwan where the students’ knowledge of physics coming out of high school is based on memorization rather than understanding and whose comprehension of the English language is less than ideal. As a result, they easily tire, stop listening, and stop attending classes. We show that an active learning based approach increases both students’ enjoyment of physics and understanding of new physics concepts and English. Bilingual guided discovery worksheets (GD) for PhET interactive simulations, smartphone-based games, small group flashcard responses, and a website summarizing the ‘big idea’ to be presented in each time slot were developed. The effect of this teaching strategy was measured both quantitatively (grades) and qualitatively (student survey). While students agreed that games were most enjoyable, there was no consensus on which activities were most helpful. Strong attendance (relative to lecture based courses) up to the end of the course suggests that students found class time interesting and useful. GD were most effective for topics in which students had little prior knowledge. The subsequent addition of smartphone-based games increased attendance and reported enjoyment, but did not significantly modify the final grade.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,050
Tête enseignante GPT0,414
Écart entre enseignants0,365 · 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics EducationMême sujetInnovative Teaching MethodsTravaux en français237 207