Case-Based Learning: An Analysis of Student Groupwork and Instructional Design that Promotes Collaborative Discussion
Notice bibliographique
Résumé
The use of small-group collaborative case-based learning methodologies has been growing both in interest and implementation across veterinary college curriculums in recent years. The ability of this pedagogical approach to solidify and deepen learning outcomes is well-established in the broader education literature. However, to achieve this positive impact, students must interact in productive discussions that expand the scope of their understanding. The present study focused on analyzing the ways in which professional veterinary students interact as they work collaboratively through clinical cases, in the context of a Team-Based Learning-intensive curriculum. This data was used to draw connections between the questions posed in the clinical case activities and the resulting intragroup collaborative outcomes, which can assist veterinary educators in sparking more robust student discussions through facilitation and instructional design. Fourteen participants formed two student groups that worked on 49 case questions across five sessions, providing 98 episodes of collaboration for analysis. The findings of this study revealed how professional veterinary students negotiated perspectives to come to consensus on in-class case-based learning tasks, including eight primary types of statements they made and seven overall patterns of group collaboration. This study highlighted specific elements of instructional design that influenced student collaboration including: allowing for multiple perspectives, sparking disagreement, perceived difficulty, learning outcome level, and the level of consensus required by the question structure. We present specific recommendations for veterinary educators to consider while designing questions for veterinary student groups.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».