A National Snapshot of Introductory Chemistry Instructors and Their Instructional Practices
Notice bibliographique
Résumé
The effectiveness of active learning on promoting students' academic outcomes and persistence has been established in the literature. However, despite the effort of purposeful change agents, the uptake of active learning in science, technology, engineering, and mathematics (STEM) is slow. While previous research from the chemistry education community has provided insights into the implementation of specific active learning strategies across the United States, the extent to which chemistry instructors leverage these strategies in general remains unknown. This article presents the results of a national survey aimed at exploring introductory chemistry instructors' knowledge and implementation of active learning, variations on this knowledge, and use across tenure statuses and institution types. This paper also aims to address the gap in the literature in our understanding of the characteristics of instructors of these courses. We thus provide a description of instructors' demographics, training, teaching experience, and teaching responsibilities. Our findings reveal that instructors in these courses are prominently males of European descent. Additionally, instructors come into their teaching position with minimal pedagogical training and participate mainly in short training once in their position. While the majority of instructors have knowledge of specific active learning strategies, their consistent implementation remains limited, with lecturing still being the instructional practice of choice. Variations were found between institution types and across tenure statuses within institutions in terms of pedagogical training, use of specific active learning strategies, and proportion of class time spent lecturing. The findings provide a baseline for future studies that aim to assess the effectiveness of interventions fostering the implementation of active learning in introductory chemistry courses and highlight the critical need for improved communication about teaching practices across institutions and tenure statuses.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».