MétaCan
Menu
Retour à la cohorte
Enregistrement W4200210010 · doi:10.1002/2211-5463.13345

Science students' perspectives on how to decrease the stigma of failure

2021· article· en· W4200210010 sur OpenAlexaff
Krystal Nunes, Sherry Du, Riya Philip, Mohammed Majd Mourad, Zainab Mansoor, Nicole Laliberté, Fiona Rawle

Notice bibliographique

RevueFEBS Open Bio · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCareer Development and Diversity
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésStigma (botany)CurriculumContext (archaeology)PsychologyPerceptionTheme (computing)PedagogyEngineering ethicsMedical educationMedicineEngineeringBiologyComputer sciencePsychiatry

Résumé

récupéré en direct d'OpenAlex

Failure is hard-wired into the scientific method and yet teaching students to productively engage with failure is not foundational in most biology curricula. To train successful scientists, it is imperative that we teach undergraduate science students to be less fearful of failure and to instead positively accept it as a productive part of the scientific process. In this article, we focus on student perceptions of the stigma of failure and their associated concerns to explore how failure could be better supported within and beyond a university context. Through a survey of first-year biology students, we found that societal and familial pressures to succeed were the greatest contributing factors to students' fear of failure. In student suggestions on how to reduce the stigma of failure within and beyond the university context, the most common theme identified across both contexts was for increased discussion and open communication about experiences of failure. Importantly, student comments in this study bring attention to the role of factors beyond the classroom in shaping student experiences of failure within their biology courses.

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)0,019
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Incitatifs · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,981
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,028
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0150,015
Communication savante0,0120,004
Science ouverte0,0010,011
Intégrité de la recherche0,0040,012
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,036
Tête enseignante GPT0,338
Écart entre enseignants0,301 · 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.

Devis d'étudeQualitatif
DomaineIncitatifs
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

Citations27
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFEBS Open BioMême sujetCareer Development and DiversityTravaux en français237 207