English professors, nursing students, and the HESI A2 Exam
Notice bibliographique
Résumé
As English professors, we never thought we would become immersed in the world of nursing and its associated Health Education Systems Inc.Admission Assessment (commonly known as HESI or, more formally, HESI A2) standardized test.That changed one day in 2017 when a former 1styear composition student stopped by my (Jennifer's) office, clutching a book, and asked, "Can you help me prepare for my nursing entrance exam?"When I demurred, explaining my expertise was in English, the student replied, "but it's all English."And so it began.That day, I learned that this exam has three English sections, in addition to science and math.My student wasn't concerned about the latter subjects.But Englishgrammar, in particular-was rapidly looking like a barrier to her goals.With two failed attempts under her belt and two attempts remaining, this hard-working young person was not prepared to give up.As I perused her prep book-direct from the test makers-my initial bemusement turned to, if I'm being honest, a bit of anger.Of the 10 practice questions, one had no correct answer choice (a deep dive on the associated website showed a correction, but it took a fathoms-deep dive to find it).Some of the questions seemed reasonable, but others seemed advanced for native speakers, let alone English-language learners (ELLs).At one point, I stepped out of the meeting with the student to show Heather, a colleague, for a sanity check.I wasn't crazy.The test was crazy hard for ELLs.That day, unbeknownst to me at the time, an unlikely partnership formed in the realm of test-prep. PARTNERSHIP IN ITS INFANCY Jennifer's perspectiveThat first year, the student and I stumbled our way through (or at least I stumbled), with me making practice questions and explaining concepts.Her third attempt showed improvement, but-even better-she now had the language (and comfort level) to tell me "the questions aren't like this one.They're more like this." Thank goodness for that!Each redirection helped me feel like I was stumbling a little less and that I could find a way to help her.With her experience taking the test and more practice test books, we worked our way through everything from homophones to predicate nominatives.I became more confident, and so did the student.Our first rule became "rule out two answers and have reasons."We met for
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gpt | aucune catégorie Domaine: non disponible · Genre: Autre Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
| grok | aucune catégorie Domaine: non disponible · Genre: Autre Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
| opus | aucune catégorie Domaine: non disponible · Genre: Autre Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
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 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 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 découleClassification
machine, non validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».