Identifying Keys to Success in Innovative Teaching: Student Engagement and Instructional Practices as Predictors of Student Learning in a Course Using a Team-Based Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When implementing innovative teaching techniques, instructors often seek to gauge the success of their methods. Proposing one approach to assessing classroom innovation, this study examines the ability of students’ ratings of engagement and instructional practices to predict their learning in a cooperative (team-based) framework. After identifying the factor structures underlying measures of student engagement and instructional practices, these factors were used as predictors of self-reported student learning in a general chemistry course delivered using a team-based learning approach. Exploratory factor analyses showed a four-factor structure of engagement: teamwork involvement, investment in the learning process, feelings about team-based learning, level of academic challenge; and a three-factor structure of instructional practices: instructional guidance, fostering self-directed learning skills, and cognitive level. Multiple linear regression revealed that feelings about team-based learning and perceptions of instructional guidance had significant effects on learning, beyond other predictors, while controlling gender, GPA, class level, number of credit hours, whether students began college at their current institution, expected highest level of education, racial or ethnic identification, and parental level of education. These results yield insight into student perceptions about team-based learning, and how to measure learning in a team-based learning framework, with implications for how to evaluate innovative instructional methods.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle