Bridging statistics and life sciences education for immunologists: Exploring significantly impactful teaching strategies and collaborations
Notice bibliographique
Résumé
Abstract The widespread misuse of statistics is one of the contributing factors to reproducibility concerns in immunological research. However, not all immunologists have the statistical expertise to choose the best methods to evaluate and represent their experiments, and the formal statistics training required by undergraduate and graduate immunology curricula is often quite limited. How can we prepare immunologists for statistical practice in research? We previously developed a second-year undergraduate course to integrate statistics instruction with research design to improve the quantitative training of life sciences students. In a Scholarship of Teaching and Learning (SoTL) study conducted within the course, student attitudes and self-efficacies for statistics, as well as their abilities to recognize and handle problems related to statistical practice in life sciences research, were assessed through surveys administered at the beginning and end of the course (n=126). Here, we present our team-teaching model and strategies for promoting meaningful connections between statistics and immunological research through course design, activities and assessments. We also highlight the results from our SoTL study, which have guided the development of several specialized immunology courses focusing on statistical practice and experimental design at the University of Toronto. We hope that insights from this teaching partnership and our SoTL findings will help inform future quantitative course offerings and training initiatives, and ultimately, better prepare students to effectively engage with statistics in immunological research.
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 | 0,000 | 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 ».