MétaCan
Menu
Retour à la cohorte
Enregistrement W4399324446 · doi:10.22329/jtl.v18i1.8054

Re-Imagining Higher Education: Time, Learning, and Risk

2024· article· en· W4399324446 sur OpenAlexaffvenueabout
Rebecca Collins‐Nelsen, Michaela Hill, John C. Maclachlan

Notice bibliographique

RevueJournal of Teaching and Learning · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGlobal Educational Policies and Reforms
Établissements canadiensDalhousie UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésPsychologyMathematics education

Résumé

récupéré en direct d'OpenAlex

This article recommends institutional changes to higher education related to time, learning, and risk that would better serve the contemporary student population and increase opportunities for life-long and interdisciplinary learning. To begin, the changing demographic of university students will be outlined, along with suggestions about how traditional institutional arrangements are no longer conducive to optimal learning environments. Next, a review of the history of the academic year will be provided, that will show a snapshot of post-secondary academic calendars in Canada. Relatedly, a discussion of the potential drawbacks and benefits to accelerated courses will be deliberated, as well as the role of risk in terms of how this shapes students’ course selection. Finally, an example of a pilot program at McMaster University, a large research-intensive university in Ontario, Canada, which is specifically designed to account for the pitfalls outlined above, will be discussed. Taken together, it will be argued that having full-course offerings on a year-round basis, providing various options for course lengths, and adjusting evaluations to reduce students’ conceptions of ‘risk’ will better adapt institutes of higher education for the twenty-first century.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,093

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0070,041
Communication savante0,0220,020
Science ouverte0,0020,010
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,340
Écart entre enseignants0,331 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Teaching and LearningMême sujetGlobal Educational Policies and ReformsTravaux en français237 207