Board 271: Evaluating the Effect of Multi-Attempt Digital Assessments on Student Performance in Foundation Engineering Courses
Notice bibliographique
Résumé
This paper discusses the design and implementation of multi-attempt digital assessments in the foundation engineering courses of Statics and Dynamics as part of an NSF-funded project entitled "Enhancing Student Success in Engineering Curriculum through Active e-Learning and High Impact Teaching Practices (ESSEnCe)."Statics and Dynamics are fundamental courses that are critical in the graduation pathway of almost all engineering majors.At the authors' institution, the average ten-year student success rate in these courses is typically low, and the success rates of Hispanic transfer students are even lower.To address this, the authors introduced multi-attempt digital assessments to improve student success rates.Prior research has shown that frequent testing is beneficial for student learning as it allows the realization of knowledge gaps via self-regulated learning and metacognitive monitoring strategies.In this semester-long study, the authors redesigned the major assessments for multi-attempt testing in both Statics and Dynamics by creating extensive test question banks in the learning management system of Canvas.The assessments were administered digitally to the students using a Lockdown browser in Canvas at a proctored testing facility.End-of-semester surveys were administered in both courses to gauge student satisfaction and experience with this testing method.Preliminary results indicate very promising positive effects of the multi-attempt digital assessments in Statics and Dynamics courses on student performance, satisfaction, and selfreported motivation and self-regulation for all students, including Hispanic transfer students.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».