Triggering emotions as a tool to increase involvement of students and foster learning and development
Notice bibliographique
Résumé
Introduction. We are often faced with students who do not apply what they learn at university in their practice. Our team worked on a teaching design in order to use emotions as cornerstone of students’ involvement in their studies and, most importantly, in the investment of the acquired knowledge in their praxis. Although they play fundamental role in human development, emotions are seldom used as a starting point in education. Material and Methods. The research led us to conceive a training method based on pictures to provoke emotions. In turn, these emotions trigger a response from students, leading them to be eager to learn, persevere and try to implement new knowledge in their field of activity. We present parts of our theoretical framework that underpin our training method. We describe some challenges that we faced during its implementation. Finally, we give an example of using this method in a classroom of agricultural trainers. We applied our method to the training of farmers about the ways to counter the effects of climate change. Results. The trainers reacted strongly to the pictures and showed high involvement in the workshop. After applying these methods in teaching farmers, they reported a higher motivation and willingness of farmers to implement new knowledge. Conclusion. The emotions triggered by pictures seem to be able to form the cornerstone of an effective approach to teaching and learning. This method holds promise for the practical application of knowledge gained in the classroom. It may also drive long-lasting changes in the students’ approach to teaching. This calls for more research on the possible use of emotions and art to foster learning at different levels of schooling.
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 ».