Flipped Instructional Design Factors in an Introductory and an Advanced Data Science Course
Notice bibliographique
Résumé
In this full research paper, we evaluate the flipped instructional designs of two undergraduate data science courses at a Midwestern university: an introductory course on database fundamentals and an advanced database design course.This study is built upon our prior work in which we identified a set of eight instructional design factors for effective flipped classrooms in the literature and assessed their efficacy with senior students.Our analysis relies on students' course evaluations, self-reported survey data, focus group responses, course performance data, and instructor observation data to answer the following research questions:1. How do the eight instructional design factors for effective flipped classrooms serve novice versus advanced data science students?2. How should instruction in flipped classrooms be varied for novice versus advanced data science students?Our analysis indicates that novice data science students have different instructional needs and challenges compared to their senior peers, particularly in relation to activities that require peer collaboration and were unmoderated by the instructor.We share the results of our quantitative analysis of self-reported survey data in which students ranked the aforementioned instructional design factors based on their effectiveness for their learning and qualitative analysis which takes student comments (from a free-response survey and focus group data) and instructor observation data to contextualize these rankings and inform our instructional design recommendations.These recommendations address students differing academic and interactional needs within the classroom and are to be implemented within the introductory course in its next iteration:(a) group norming and standardization around expectations for communication/collaboration, (b) transparent disclosure of the learning objectives for each activity, (c) offering guidelines to support students in providing actionable peer feedback, and (d) introducing low-stakes peer evaluations.We conclude with a discussion on the general affordances of the flipped classroom model for both introductory and advanced data science instruction compared to traditional lecture-based approaches.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».