How grumpy cat helped students learn management concepts
Notice bibliographique
Résumé
Purpose Management educators often seek out innovative ways to introduce theories and concepts in such a way that students are more engaged and connected with the course material. A meme is an image juxtaposed with short text that elicits emotional responses from its readers and is now a staple in social media. Examples include: grumpy cat, success kid and distracted boyfriend. The authors have successfully used memes both online and in-person as a teaching tool. This paper aims to describe how the authors have used memes and some of the best practices and lessons learned from this experience. Design/methodology/approach Students in a training and development undergraduate course and an organizational behavior MBA course were tasked with creating and presenting memes that reflected the subject matter in their respective courses. Findings Their fellow students were successful in identifying the course theory or concept when these student presenters presented their memes in class. This suggests that this type of activity is helpful for students to apply a key course concept or theory in a way that was fun and interactive. Follow-up feedback from the students indicated that they enjoyed this type of activity and felt that it aided in their retention of course material. Originality/value While memes are quite popular in social media, there is a paucity of academic articles on the application of memes for teaching management concepts. This article guides instructors on how the authors have used memes in the classroom and offers some suggestions for doing a debrief afterward.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 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) | 0,002 | 0,001 |
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 ».