Closing the Gap? The Ability of Adaptive Learning Courseware to Close Outcome Gaps in Principles of Microeconomics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Research shows that students who identify as low-income, first-generation, and/or racially diverse disproportionately underperform in college and earn fewer degrees than other students. This study explores the integration of adaptive learning courseware assignments as a tool to help close these outcome gaps and to ensure more equitable learning across diverse student groups. Adaptive learning courseware is an educational technology that requires students to master the same learning objectives but, for each student, the courseware determines the order and timing of content based on how that student interacts with the courseware, thus enabling an individualized learning path for each student. Adaptive learning assignments were implemented in five sections of a highly-enrolled Principles of Microeconomics course at a medium-sized state university in the United States. This study draws from student data (n=581), which includes adaptive learning assignment completion data, detailed exam and final grade data, and institutional demographic data. Descriptive statistics and regression analyses are used to explore if the completion of adaptive learning assignments disproportionately benefited low-income, first-generation, or racially diverse students, thus helping close the gap between students from different backgrounds. Findings include significant evidence that adaptive learning assignment completion was correlated with more exam questions answered correctly by all students, with this correlation being disproportionately stronger for students who identify as being from a minority background and for foundational (easy) exam questions.
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.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle