The Importance of Ending Well: A Virtual Last Class Workshop for Course Evaluation and Evolution
Notice bibliographique
Résumé
The last class session of the academic term represents an excellent opportunity to solicit meaningful feedback from students who have just completed the course. To capitalize on the students’ first-hand knowledge of their own experiences with our course and maximize the impact of the last class for our Canadian graduate-level genetics course, we have used and optimized a workshop first described by Bleicher (2011) as a means of obtaining real-time, in-person course evaluations, and driving course evolution. Presented as an empowering opportunity for student activism, students are asked to contribute collaboratively to improving future iterations of the course. This approach stimulates thoughtful discussions, generates honest and useful feedback, and requires only nominal preparative work on the part of the instructor, whose primary role during the workshop is as a facilitator. In light of the COVID-19 pandemic, we’ve assessed student perceptions of two virtual models for the Last Class Workshop—one using Google Docs, a free web-based word processor, and another using Miro, a collaborative whiteboard platform—to identify whether or not the Last Class Workshop can be effectively translated for a synchronous online learning environment. Student responses to the virtual workshops have been highly positive, and participants overwhelmingly preferred the Miro adaptation. We suggest that this is an effective way to access the expert knowledge of our students to develop innovative adaptations, updates, and evolutionary change at the end of a course, and conclude with a proposal for maintaining this virtual tool after in-person learning resumes.
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 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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».