Designing our Thinking: Examining the Effects of Experiential Learning and Design Thinking on Creativity, Innovation, and Collaboration Skills Development in the Undergraduate Classroom
Notice bibliographique
Résumé
This paper shares initial findings from a study of the way that design thinking and experiential learning informed approaches to teaching can help programs and institutions in the higher education community meet the teaching and learning objectives identified by the World Economic Forum (WEF) as critical for our global future. The project surveyed undergraduate students in a large first year introductory course to learn more about how design thinking based learning practices might serve to extend an experiential learning pedagogical approach toward the successful development of innovation, creativity, interpersonal, self-paced, problem-based and lifelong learning skills. Results from the survey of 600 students reveal that using a design thinking model of learning as part of an experiential learning curriculum may be an effective way to enhance the development of the identified skills and approaches within an experiential learning framework. Students who experienced the addition of design thinking based learning practices to an experiential learning framework reported higher levels of confidence in their innovation and creativity skills and were more likely to seek opportunities for collaboration and self-paced learning than those who participated in an experiential learning focused section of the same class. This article provides an illustration of the impact of using design thinking as an extension of experiential learning in an undergraduate higher education class and offers recommendations for institutions and professional programs seeking to meet World Economic Forum Education 4.0 Initiative goals.
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 | 0,015 | 0,006 |
| 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 | 0,005 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».