MétaCan
Menu
Retour à la cohorte
Enregistrement W3198234616 · doi:10.5430/ijhe.v11n1p175

Can Laughter Lead to Learning?: Humor as a Pedagogical Tool

2021· article· en· W3198234616 sur OpenAlexvenueno aff
Faieza Chowdhury

Notice bibliographique

RevueInternational Journal of Higher Education · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueHumor Studies and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLaughterPsychologyPerceptionBeautyQualitative researchQualitative propertyInstitutionQualitative analysisPedagogyMathematics educationSocial psychologyAestheticsSociologyArtComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

The word humor can be defined as something which is perceived to be funny, comical, or amusing. However, in the case of humor perception plays a key role. This is mainly because what is regarded as humorous by one person may not be funny to another person. Hence, humor like beauty lies in the eyes (ears) of the beholder. The potential of humor as a pedagogical tool is not a new concept in education. Teachers around the world have a mixed attitude towards the use of humor in the classroom as a pedagogical tool. Thus, in this study we sought to investigate the perceptions of students towards the use of humor as a teaching tool at higher education institutions in Bangladesh. For this purpose, we have performed both quantitative and qualitative analysis. In the quantitative part of the study, we collected data from 300 students and performed a binary logistic regression. On the other hand, for the qualitative analysis we have undertaken interviews of 30 selected students at a higher academic institution in Bangladesh. Overall, the results of this study indicate that most of the students considered humor as a positive and beneficial teaching tool in the classroom.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,005
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,058
Tête enseignante GPT0,456
Écart entre enseignants0,398 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Higher EducationMême sujetHumor Studies and ApplicationsTravaux en français237 207