MétaCan
Menu
Retour à la cohorte
Enregistrement W4378649392 · doi:10.1152/physiol.2023.38.s1.5733385

Embedding design thinking, career planning and teamwork into the curriculum better prepares life science students for research and alternate science careers

2023· article· en· W4378649392 sur OpenAlexaffabout
Michelle French, Helen Miliotis, Stavroula Andreopoulos, Rebecca R. Laposa, Michelle I. Arnot

Notice bibliographique

RevuePhysiology · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGraduation (instrument)PsychologyTeamworkClass (philosophy)Undergraduate researchMedical educationCurriculumBrainstormingLikert scaleRubricFeelingMathematics educationPedagogyEngineeringComputer scienceManagementMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

Many undergraduates have either a narrow or vague idea of their career path which causes stress and can result in them leaving science. In addition, they often lack confidence or the knowledge needed to pursue independent research project courses in their senior year. To broaden student career perspectives, promote adaptability and build research skills, we developed a third-year course: Research Readiness and Advancing Biomedical Discoveries. This flipped course features online pre-class modules and extensive in-class group work. Online module topics include: writing a research proposal, project management and attributes of a successful scientist ( https://experientialmodules.utoronto.ca/research-readiness/ ). We also incorporated design-your-life ( http://lifedesignlab.stanford.edu/ ) team activities (DYL) such as brainstorming, articulating alternate life plans (Odyssey planning), and networking to help students develop novel scientific research proposals and to support their own creative career planning. To assess student perceptions of course components, we conducted anonymous student surveys three times in each offering of the course using both 5-point Likert scales and open-ended prompts for student feedback (Univ. Toronto REB#18345). Responses to open-ended survey questions were independently analyzed for broad themes by two third-party research assistants. Over the three years of course offerings, 86% of students reported feeling better prepared for research and other opportunities after graduation, 87% of students reported being encouraged to consider flexible career paths, and 87% reported they have realized the importance of teamwork (n=121). Written comments included: “ The research proposal was an incredible assignment because it gave me insight into what I would be doing in research and let me think of my own idea.” and “ [Odyssey planning] helps me to rethink my choices. Why can’t I make different choices? What is holding me back?. I think I need more diverse experience in area of biomedical science to answer these questions. ” Thus, students perceive that our novel course better prepares students for research and alternate science careers. Learning and Education Advancement Fund (LEAF) Impact grant, University of Toronto, Career Readiness Fund, Faculty of Arts and Science, University of Toronto, Online Undergraduate Course Initiative Fund, University of Toronto This is the full abstract presented at the American Physiology Summit 2023 meeting and is only available in HTML format. There are no additional versions or additional content available for this abstract. Physiology was not involved in the peer review process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,634
Score d'incertitude au seuil0,405

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,384
Écart entre enseignants0,321 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysiologyMême sujetBiomedical and Engineering EducationTravaux en français237 207