Student-generated Multiple-Choice Questions: A Java and Web-Based Tool for Students to Create Multiple Choice Tests
Notice bibliographique
Résumé
Student-generated questions can be an effective study technique to improve active learning, metacognitive skills, and performance on examinations. Students have shown greater success when assessed using peer-made study questions than when studying without questions. In three semesters of a kinesiology research methods course students were taught how to write high-quality multiple-choice questions that addressed course objectives and Bloom’s Taxonomy. Students were given a graded assignment to write three multiple-choice questions using Makequiz, a Java and web-based tool for helping students generate multiple choice questions. Student- generated questions that were rated as good quality (n = 169-245) were provided to the students as a study resource prior to the final exam. Of those study questions, 40 were selected each semester to be on the final exam. Students performed significantly better on student-written questions than instructor-written questions on the final exam in Class A (p < .05) and in Class C (p < .05). A majority of students felt this assignment was a worthwhile component of the course, voting to keep Makequiz in the curriculum (Class A: 52.6%, Class B: 62.3%, Class C: 58.3%) or to modify Makequiz (Class A: 25.3%, Class B: 14.5%, Class C: 18.1%). Many of the students stated it was the most valuable assignment of the course (32% Class B and Class C). Makequiz is, therefore, a recommended study tool for students. Comparisons are also made with PeerWise, an online platform for creating and sharing MCQ and feedback. Further investigation is required to measure the impact Makequiz has on learning, metacognitive skills, and anxiety levels before test-taking.
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 | 0,008 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».