An inclusive Research and Education Community (iREC) model to facilitate undergraduate science education reform
Notice bibliographique
Résumé
Over the last two decades, there have been numerous initiatives to improve undergraduate student outcomes in STEM. One model for scalable reform is the inclusive Research Education Community (iREC). In an iREC, STEM faculty from colleges and universities across the nation are supported to adopt and sustainably implement course-based research - a form of science pedagogy that enhances student learning and persistence in science. In this study, we used pathway modelling to develop a qualitative description that explicates the HHMI Science Education Alliance (SEA) iREC as a model for facilitating the successful adoption and continued advancement of new curricular content and pedagogy. In particular, outcomes that faculty realize through their participation in the SEA iREC were identified, organized by time, and functionally linked. The resulting pathway model was then revised and refined based on several rounds of feedback from over 100 faculty members in the SEA iREC who participated in the study. Our results show that in an iREC, STEM faculty organized as a long-standing community of practice leverage one another, outside expertise, and data to adopt, implement, and iteratively advance their pedagogy. The opportunity to collaborate in this manner and, additionally, to be recognized for pedagogical contributions sustainably engages STEM faculty in the advancement of their pedagogy. Here, we present a detailed pathway model of SEA that, together with underpinning features of an iREC identified in this study, offers a framework to facilitate transformations in undergraduate science education.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».