Learning and STEM identity gains from an online module on sequencing-based surveillance of antimicrobial resistance in the environment: An analysis of the PARE-Seq curriculum
Notice bibliographique
Résumé
COVID-19 necessitated the rapid transition to online learning, challenging the ability of Science, Technology, Engineering, and Math (STEM) professors to offer laboratory experiences to their students. As a result, many instructors sought online alternatives. In addition, recent literature supports the capacity of online curricula to empower students of historically underrepresented identities in STEM fields. Here, we present PARE-Seq, a virtual bioinformatics activity highlighting approaches to antimicrobial resistance (AMR) research. Following curricular development and assessment tool validation, pre- and post-assessments of 101 undergraduates from 4 institutions revealed that students experienced both significant learning gains and increases in STEM identity, but with small effect sizes. Learning gains were marginally modified by gender, race/ethnicity, and number of extracurricular work hours per week. Students with more extracurricular work hours had significantly lower increase in STEM identity score after course completion. Female-identifying students saw greater learning gains than male-identifying, and though not statistically significant, students identifying as an underrepresented minority reported larger increases in STEM identity score. These findings demonstrate that even short course-based interventions have potential to yield learning gains and improve STEM identity. Online curricula like PARE-Seq can equip STEM instructors to utilize research-driven resources that improve outcomes for all students, but support must be prioritized for students working outside of school.
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 | 0,000 |
| 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 ».