MétaCan
Menu
Retour à la cohorte
Enregistrement W4403762040 · doi:10.1080/0047231x.2024.2415297

An Assignment Wrapper Promotes Student Self-Regulation of Learning in a Science Writing Assignment

2024· article· en· W4403762040 sur OpenAlexaff
Kathy Nomme, Rhea L. Storlund, Christine M. Goedhart, Silvia Mazabel, Bernardita Germano

Notice bibliographique

RevueJournal of College Science Teaching · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMathematics educationComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

We investigated the impact of an assignment wrapper in promoting self-regulation of learning in a series of written assignments for a First-Year Biology laboratory. Students completed a planning survey prior to submitting an Introduction assignment. Upon receipt of the graded Introduction, students completed an assignment wrapper, two more written assignments, and an end-of-term reflective survey used to measure the impact of the assignment wrapper on students’ approaches to writing assignments. In the planning survey, 46% of students accurately described the assignment requirements. Many reported high levels of stress (85.3%–87.3%) and anxiety (54.0%–59.9%) while planning and preparing the assignment. In the assignment wrapper, 67.9% reported having spent more time than expected on the assignment and 98% students indicated that they would change their approach for the next assignment. Students reported in the reflective survey that both the planning survey and assignment wrapper helped them consider different strategies when completing writing assignments (e.g., asking for clarification, avoiding procrastination, becoming aware of emotions and managing them constructively). Important implications for instructors include: creating a culture of help seeking, providing timelines for stages of writing, and acknowledging that emotional struggles are common among First-year students in STEM courses.

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)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,420
Écart entre enseignants0,393 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of College Science TeachingMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207