Implementing team-based learning in a large environmental chemistry course and its impact on student learning and perceptions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Team-based learning (TBL) is an instructional strategy where students participate in a set of activities including, applying course concepts to real-life case studies in instructor-selected teams. Here, we describe how TBL has been incorporated into a 3rd year, large, environmental chemistry course and investigate the benefits of using this strategy. A combination of pre/post survey and coursework data were analyzed to understand: (1) What were student perceptions of TBL? (2) How did using TBL to deliver content influence student learning, measured by exam performance? (3) How did students’ team skills evolve? Post-survey results indicate that students perceived TBL as enhancing their interest in course content, creating real-world connections, and most helpful for achieving practical critical thinking skills. Student performance on TBL-related final exam items was significantly better (Mean = 73%, SD = 21%) than non TBL-related final exam items, (Mean = 65%, SD = 21%), despite the level of complexity being similar between the two categories. The pre/post survey results indicate that, as compared to the start of term, students reported being significantly more comfortable expressing opinions in group meetings ( t (78) = 4.25, p < 0.001, Cohen's d = 0.48), and leading group discussions ( t (78) = 3.11, p = 0.003, Cohen's d = 0.35), by the end of the term. The one-minute reflections (completed following the first and fifth TBL activities) indicated that there was a 14% increase (77% vs. 91%) in the number of students reporting on collective team decision making. This study demonstrates the wide-ranging positive impacts of TBL to student learning in a large Environmental Chemistry course all while enhancing active learning and applying chemistry concepts to relevant and real-life case studies.
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.
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 | 0,006 | 0,003 |
| 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 | 0,002 | 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) | 0,001 | 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 découle