Iterative Drawing Reveals Diversity and Change in Student Thinking About Evolution
Notice bibliographique
Résumé
One theoretical framework for learning is that knowledge exists in pieces. Understanding emerges by developing a coherent and stable integration of multiple ideas. When learning gains are evaluated iteratively, over time, it is clear that the mental constructs representing key ideas are dynamic. Here we describe an assessment framework that enables estimation of the dynamic nature of mental constructs as students make gains towards coherency of knowledge and understanding. The framework emphasizes the value of iterative assessment combined with multivariate methods borrowed from ecology for revealing and following gains in student thinking. We applied our framework for monitoring and describing student gains in their abilities to visualize and describe the process of evolution. Our approach was observational. We evaluated 276 drawings and accompanying text-based descriptions of evolution generated by 102 students by implementing the same open-ended assessment question four times in two sections of an upper division evolutionary biology course during spring 2021. Based on a binary rubric of 10 key ideas, students showed evidence of gains and losses of key ideas over time, and their learning trajectories were diverse and dynamic. Our findings revealed students take a multitude of pathways to concept mastery and that they struggled to succinctly construct and communicate comprehensive evolutionary models. Based on our study, we recommend using iterative free-response assessment with an explicit rubric and multivariate non-metric dimensional scale data visualization for revealing student thinking and guiding data-driven revision of curriculum, teaching strategies, and assessment for achieving greater coherency and stability of knowledge.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».