...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>CBE Life Sciences Education >Comparison of Cluster Analysis Methodologies for Characterization of Classroom Observation Protocol for Undergraduate STEM (COPUS) Data
【24h】

Comparison of Cluster Analysis Methodologies for Characterization of Classroom Observation Protocol for Undergraduate STEM (COPUS) Data

机译：集群分析方法对本科生杆（COPUS）数据进行课堂观测协议表征的方法

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The Classroom Observation Protocol for Undergraduate STEM (COPUS) provides descriptive feedback to instructors by capturing student and instructor behaviors occurring in the classroom. Due to the increasing prevalence of COPUS data collection, it is important to recognize how researchers determine whether groups of courses or instructors have unique classroom characteristics. One approach uses cluster analysis, highlighted by a recently developed tool, the COPUS Analyzer, that enables the characterization of COPUS data into one of seven clusters representing three groups of instructional styles (didactic, interactive, and student centered). Here, we examine a novel 250 course data set and present evidence that a predictive cluster analysis tool may not be appropriate for analyzing COPUS data. We perform a de novo cluster analysis and compare results with the COPUS Analyzer output and identify several contrasting outcomes regarding course characterizations. Additionally, we present two ensemble clustering algorithms: 1) k -means and 2) partitioning around medoids. Both ensemble algorithms categorize our classroom observation data into one of two clusters: traditional lecture or active learning. Finally, we discuss implications of these findings for education research studies that leverage COPUS data.
机译：本科生杆（COPUS）的课堂观测协议通过捕获在课堂上发生的学生和教练行为来为教师提供描述性反馈。由于COPUS数据收集的普遍越来越越来越普及，重要的是要识别研究人员如何确定课程或教师是否具有独特的课堂特征。一种方法使用群集分析，由最近开发的工具，Copus分析仪突出显示，它使Copus数据的表征成为七个集群之一，代表三组教学方式（教学，互动和学生中心）。在这里，我们检查一个新颖的250课程数据集，并提出了一种预测集群分析工具可能不适合分析COPUS数据。我们执行De Novo Cluster分析，并将结果与​​Copus分析仪输出进行比较，并确定有关课程表征的几个对比度结果。此外，我们还提出了两个合奏聚类算法：1）k -means和2）围绕麦细分区。两个集合算法都将我们的课堂观测数据分类为两个集群之一：传统讲座或主动学习。最后，我们讨论了这些调查结果对教育研究的影响，从而利用了浦背数据。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号