MétaCan
Menu
Retour à la cohorte
Enregistrement W4400405138 · doi:10.55016/ojs/pplt.v7y2024.77816

Blended Learning And Lab Reform: Self-Paced Sotl And Reflecting On Student Learning

2024· article· en· W4400405138 sur OpenAlexaff
Cari Din, Martin J. MacInnis

Notice bibliographique

RevuePapers on postsecondary learning and teaching. · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésBlended learningPsychologyMathematics educationScholarship of Teaching and LearningComputer scienceEducational technologyTeaching and learning centerTeaching method

Résumé

récupéré en direct d'OpenAlex

As part of a large exercise physiology laboratory (lab) reform project, we used blended learning to support graduate teaching assistants and lab technicians in developing their pedagogical knowledge and create an entry point to reflective conversations about teaching and learning. Because self-paced asynchronous online modules can enable reflective and self-determined learning, this asynchronous professional development course is punctuated with reflective questions for the instructional team preparing to teach reformed exercise physiology labs. Asynchronous course content was shared via short videos, podcasts, and readings. We debriefed this self-paced, SoTL-informed course together, in-person. This social debriefing kicked off our weekly synchronous reflective conversations about teaching and learning in a community of practice. Developing a shared language for talking about teaching, enabling student learning, practicing effective teaching, and beginning to contemplate teaching philosophies were described by graduate teaching assistants as notable aspects of this blended learning journey. Lab technicians described discovering SoTL and discussing learning challenges as helpful to their teaching.

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)0,007
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0040,002
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,007
Tête enseignante GPT0,279
Écart entre enseignants0,272 · 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'étudeSans objet
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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePapers on postsecondary learning and teaching.Même sujetExperimental Learning in EngineeringTravaux en français237 207