A structured approach to developing an introductory statistics course for graduate students: Using data to teach about data
Notice bibliographique
Résumé
Background/Objective: It was identified in the largest graduate unit of the Faculty of Medicine of a major Canadian University that there was a critical unmet curricular need for an introductory statistics and study design course. Based on the collective findings of an external institute review, both quantitative and qualitative data were used to design, develop, implement, evaluate, and refine such a course. Methods: In response to the identified need and inherent challenges to streamlining curriculum development and instructional design in research-based graduate programs representing many biomedical disciplines, the institute used the analyze, design, develop, implement and evaluate instructional design model to guide the data-driven development and ongoing monitoring of a new study design and statistics course. Results: The results demonstrated that implementing recommendations from the first iteration of the course (Fall 2021) into the second iteration (Winter 2023) led to improved student learning experience (3.18/5 weighted average (Fall 2021) to 3.87/5 (Winter 2023)). In the second iteration of the course, a self-perceived statistics anxiety test was administered, showing a reduction in statistics anxiety levels after completing the course (2.41/4 weighted average before the course to 1.65/4 after the course). Conclusion: Our experiences serve as a valuable resource for educators seeking to implement similar improvement approaches in their educational settings. Furthermore, our findings offer insights into tailoring course development and teaching strategies to optimize student learning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».