Revitalizing ENGL 2302 in Response to ChatGPT and Pandemic-Era Disruptions
Notice bibliographique
Résumé
In the summer of 2023, we set out to refresh ENGL 2302: Literatures and Cultures 1500-1700 in response to two forces disrupting the teaching and learning experience: AI Chatbots, and students’ performance struggles in test environments. In response to the first, we developed a multi-stage Final Project that asked students, working in groups, to assess the utility of ChatGPT for literary studies. Students used ChatGPT to generate a response to an essay prompt, critiqued its output, wrote a revised version, and then reflected on the experience of using ChatGPT. To support this initiative, we created a series of instructions, templates, and rubrics. For the second issue, we developed a suite of resources to prepare students for tests/exams, including two new formative activities: The Sight Passage Analyses (group assignments) The Test/Exam Preparation Modules (H5P lessons that introduce students to the style of the test questions, give them opportunities to practice answering them, and provide them with study tips for each question type) While it is difficult to establish causality, when we compared student performance in the previous cohort to the cohort that experienced the above interventions, we observed some promising results, including: Improved test/exam scores (a 10% increase in students earning As, Bs, and Cs on Test 1; a 24% increase on Test 2; and a 16% increase on the Exam) Improved final grade scores (a 24% increase in students earning an A- or better, and an 8% reduction in students earning an F)
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».