教学前问题解决 （PS-I）:对不同能力的学生进行评估和干预的方案
2021年9月11日
该协议指导研究人员和教育工作者在本科统计课上实施"在教学前解决问题"方法 （PS-I）。它还描述了对这一实施的嵌入式实验评估，其中PS-I的功效是根据不同认知和情感倾向的学生的学习和动机来衡量的。
很大一部分学生在需要批判性思维的课程中发现学习和激励问题。此协议意义重大，因为它为教育工作者和研究人员提供了实施有效应对这一挑战的方法的指南，即在教学前解决问题的方法。这种方法包括:在课堂上解释一个概念之前，让学生有机会发明与这个概念相关的个人解决方案。
此外，本协议之所以重要，是因为它对教学前解决问题的有效性进行了可访问和实验性的评估，将此评估与实际教育实践相结合，并关注学生在能力和动机倾向方面的变异性。该协议在可变性统计类别中具有上下文。具体来说，教学条件之前解决问题的办法，是让学生在收到有关这个主题的教学之前发明变异性措施。
我们认为，在教学方法进入教育实践之前，使解决问题变得容易理解，其中一个原因是它可以帮助促进批判性思维。这是一个机会，让学生面对新的问题，并试图找到创造性的解决方案，这些问题。另一个原因是，这种体验与课堂内容的教学是相容的。
具体来说，一些研究表明，在这些系列问题中发明个人解决方案可以帮助学生激活以前的知识，更加意识到知识差距，感觉更有动力，最后，能够对所涵盖的内容有更高的理解，并能够将这种理解转移到不同的情况。然而，我们继续研究在教学前解决问题的有效性非常重要，特别是因为实施后可能会在一些学生中产生负面反应。例如，一些学生可能会感到过度挑战，甚至沮丧的不同选择考虑在这个第一个发明任务。
特别重要的是，我们评估我们具有不同认知和动机倾向的学生如何或多或少地从这种方法中受益。该协议仅可用作在指导方法之前实施解决问题的指南。但是，如果用户在实施协议之前也对实验评估感兴趣，则应向学生解释其道德考虑。
重要的是保证他们的自由同意参与，解释他们，如果他们不想参与调查，他们可以进行学习活动，并交由他们。口头和书面知情同意，告知道德考虑，允许学生保留知情同意书副本。如果学生低于法定年龄，应征得家长的知情同意。
为了保证数据的匿名性，随机给学生分配一个任意的识别号码。要求学生完成不同的评估工具，以测量认知和动机倾向。这种评估将防止对研究人员的兴趣。
然而，在协议中，它描述了一个衡量以前学术知识、激励目标、能力意识、发散思维能力和元认知调节能力倾向的建议。评估后，学生将被分配到两个学习条件，即在教学前解决问题，在授课前根据目标概念解决问题。在直接指导条件下，他们只有在收到一些指示后才能解决问题。
有任务书，包含材料，为两个条件做好充分准备。在此协议中，指导条件之前解决问题的任务手册包含两个活动。首先，学生发明变异性指标的问题。
其次，工作样本提供有关此问题背景下的变异性措施的说明。直接教学条件的任务书还包括两个活动。首先，通过工作实例进行指导。
二是学生应用所学内容的实践问题。为了防止学生在进行第一项活动时看到第二项活动的内容，请将与第二项活动相对应的论文放在一起。随机将两本任务书分配给班里的学生。
作业不应取决于学生的座位情况。让学生在第一次分配活动中工作 15 分钟后，再给他们 15 分钟的时间在第二次分配活动中工作。所有说明都写在任务书上。
建议老师来指导学生。然而，重要的是，在发明阶段，教师不给学生任何线索，传统的解决方案，因为它可以快捷发展他们的个人想法。为了帮助学生从深层的想法中探索问题，问题基于对比案例的技术设计。
这意味着程序的数据带有一些精细的例子，学生可以轻松地并排比较，每次比较只在一个或几个相关特征中有所不同。如果学生需要帮助，教师可以通过代谢提示引导他们，例如要求他们解释他们试图做什么类型的解决方案。通过帮助他们确定程序的目标，为他们提供如何生成一般程序的示例。
为了赞美学习的两种条件，通过讲座提供指导。对于此协议的具体上下文，有一个文档，包括为本讲座提议的动画和说明。课程结束时，请学生完成对相关兴趣变量的评估。
在协议中，有一个建议来衡量学生充满的好奇心和三种类型的知识表现，程序知识，概念知识和知识任务。每个评估中最终分数的代码。对于本协议中提议的评估，在数据部分的编码中提供了准则。
识别号将用于连接属于每个学生的所有评估。执行兴趣分析。在分析本协议中有关程序、SPSS 和过程的数据部分时，提供了不同的指南。
此图像显示了学生在教学前解决问题时对发明问题的常见反应。这些解决方案都不符合标准偏差的目标概念。然而，它们是部分解决方案，揭示了对重要概念方面的反思。
相比之下，直接教学条件下的实践问题解决方案更加均匀，与标准偏差的规范概念一致，因为学生在以工作实例接受教学后解决了这个问题。协议实验评估的一个有趣结果是将指令条件之前的问题解决与考虑的每个受依赖变量的直接指示条件进行比较。它可以在教学前提供有关解决问题的一般功效的信息。
此外，探索在教学或学习前可以调解解决问题效果的过程，或者探讨学生在这种效果中具有处置能力的调节作用，也很有趣。例如，一个潜在的适度结果可能是，在教学前解决问题的功效取决于学生的元研究能力。根据此图，具有高超的元统计技能的学生在教学前解决问题受益更多，而具有低元统计技能的学生则从直接教学中获益更多。
总之，本协议有助于使教育工作者和研究人员更容易获得教学方法和实验评估之前解决问题的方法。此协议有三个重要优势。首先，它的灵活性要适应不同的教育和研究兴趣。
其次，实验评价容易与正常的教育实践融为一体，最后考虑了不同认知和动机特征的学生的变异性。教学前解决问题是一种有助于促进批判性思维、动机和深度学习的技术。研究它在不同类型的学生中的功效可以帮助教育工作者对它在教育实践中的普遍实施做出有用的决定。
查看完整文字稿并访问数千部科学视频
概述
本协议指导教育者在本科统计学课程中实施问题解决先于教学（PS-I）方法。它评估了PS-I在提高具有不同认知和情感倾向的学生学习和动机方面的有效性。
关键研究组成部分
科学领域
- 教育
- 统计学
- 心理学
背景
- 许多学生在批判性思维课程中面临学习和动机问题。
- PS-I方法允许学生在正式授课之前创建个人解决方案。
- 该方法旨在解决学生能力和动机的差异。
- 该协议特别在以变异性为重点的统计学课程中进行。
研究目的
- 为教育者提供实施PS-I方法的指导。
- 实验性评估PS-I对学生学习成果的有效性。
- 考虑学生的多样化认知和情感倾向。
使用的方法
- 在统计学课程中实施PS-I方法。
- 学生在接受指导之前发明变异性测量。
- 通过实验评估来评估学习和动机。
- 将评估与真实教育实践相结合。
主要结果
- PS-I方法显示在改善学生参与度方面的潜力。
- 学生反应的变异性突显了量身定制教学方法的必要性。
- 实验评估提供了关于PS-I有效性的见解。
- 参与问题解决活动时，学生表现出更高的动机。
结论
- PS-I方法可以成为教学统计学的有效策略。
- 解决学生变异性对于提高学习成果至关重要。
- 需要进一步研究以探索PS-I的长期效果。
常见问题
Executive Industry Relevance
Systematic hypothesis testing and quantitative assessment of intervention efficacy are foundational for robust target validation in biopharma R&D. The PS-I protocol's structured approach to isolating independent variables and measuring dependent outcomes mirrors critical discovery-stage requirements for predictive confidence and mechanistic de-risking. Integrating such methodologies supports risk-adjusted decision-making and portfolio advancement across early discovery and translational research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous null hypothesis testing to clarify intervention effects on learning outcomes.
- Supports mechanistic de-risking by isolating cognitive and motivational variables influencing response to interventions.
- Facilitates predictive confidence through quantitative measurement of conceptual and procedural knowledge gains.
- Informs portfolio triage by identifying subpopulations with differential benefit from specific strategies.
Screening & Assay Development
- Establishes validated assessment tools for reproducible measurement of dependent variables such as knowledge transfer and curiosity.
- Standardizes experimental conditions to ensure comparability across intervention arms.
- Enables scalable data collection and analysis for screening intervention efficacy in diverse cohorts.
- Provides a framework for assay readiness and cross-study reproducibility.
Translational & Preclinical Research
- Aligns with translational biomarker strategies by quantifying individual variability in response to interventions.
- Supports continuity from discovery through preclinical validation by integrating mechanistic and outcome-based assessments.
- Enables risk-adjusted advancement decisions based on stratified efficacy data.
- Facilitates predictive de-risking for downstream implementation in broader populations.
Pipeline & Workflow Integration
The protocol positions experimental assessment of intervention efficacy at the intersection of early discovery and translational research, supporting lead identification and mechanistic validation.
- Discovery Biology: Provides a controlled framework for hypothesis testing and pathway clarification through independent variable isolation.
- Screening: Delivers standardized, quantitative outputs for reliable comparison of intervention arms.
- Analytics: Enables robust statistical analysis of dependent variables, supporting data-driven decision-making.
- Translational Research: Connects individual variability assessment to preclinical model selection and biomarker alignment.
- Enterprise Reuse: Offers a reusable protocol adaptable to diverse experimental and educational contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in intervention assessment.
- Operational Value: Promotes standardization, reproducibility, and scalability of experimental workflows.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of validated interventions.
Implementation Considerations
- Requires expertise in experimental design, statistical analysis, and assessment tool development.
- Needs infrastructure for anonymized data collection and secure management of participant information.
- Demands cross-team standardization of protocols and assessment instruments.
- Must be adaptable to different model systems and population subgroups.
- Considers ethical requirements for informed consent and participant autonomy.
Biopharma FAQs
Chapters in this video
0:00
Introduction
1:10
Why Problem Solving before Intstruction?
2:39
Protocol for Intervention and Evaluation
3:26
Protocol: Administration of Measures about Predispositions
3:55
Protocol: Administration of the Two Learning Conditions
5:27
Protocol: Specific Support During the Invention Problem
6:35
Protocol: Administration of the Lecture
6:51
Protocol: Assessment of Dependent Variables
7:12
Protocol: Coding and Analyses Procedures
7:40
Representative Results
9:11
Conclusion
