Assessing and enhancing learning outcomes in an architectural context: meaning equivalence methodology versus traditional formats of testing
Notice bibliographique
Résumé
Current methods used for the assessment of learning are plagued with problems and often do not reveal the depth of comprehension of learned material (Kintsch, 1998). The development of the Meaning Equivalence (ME) methodology (Shafrir, 1999; Sigel, 1993, 1999), based on research highlighting the importance of multiple representations to learning, has been driven by the current lack of valid and reliable means for assessing deep conceptual understanding. This study described an evaluative implementation of the ME methodology, within the context of Architecture, as a tool for assessing and enhancing students' learning outcomes relative to traditional assessment formats such as multiple-choice and essay. Findings substantiate the efficacy of the ME measure for objectively assessing and enhancing deep comprehension and transfer of skills relative to traditional formats. Further, this study identified patterns, which suggest that the processing and interpretation of meaning may be dependent upon the modality used to represent conceptual content, for instance, text or image-based. The study included 160 university students in an undergraduate program in the department of Architecture at an Ontario university. Students were given traditional formatted and ME formatted tests after each of five historical periods covered during the course. Students' performance was compared on all methods of assessment to evaluate their relative potential for assessing a learner's deep comprehension as opposed to superficial 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 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 | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».