[论文解读] New Pedagogy for Using Internet-Based Teaching Tools in Physics Course

D. Toback, Andreas Mershin+1 more|arXiv (Cornell University)|Aug 6, 2004

Experimental Learning in Engineering参考文献 6被引用 4

一句话总结

本文提出了一种基于互联网工具的新教学模型——AMES、CHAGS 和 QUICK，通过平衡挑战与支持、提供持续反馈以及实现无惩罚的重复练习，提升大学生物理课程中的学生表现。初步结果显示，通过结构化、自动化的评估和自适应练习，学生的概念理解能力和问题解决能力得到增强。

ABSTRACT

Acquiring the mathematical, conceptual, and problem-solving skills required in university-level physics courses is hard work, and the average student often lacks the knowledge and study skills they need to succeed in the introductory courses. Here we propose a new pedagogical model and a straight-forwardly reproducible set of internet-based testing tools. Our work to address some of the most important student deficiencies is based on three fundamental principles: balancing skill level and challenge, providing clear goals and feedback at every stage, and allowing repetition without penalty. Our tools include an Automated Mathematics Evaluation System (AMES), a Computerized Homework Assignment Grading System (CHAGS), and a set of after-homework quizzes and mini-practice exams (QUizzes Intended to Consolidate Knowledge, or QUICK). We describe how these tools are incorporated into the course, and present some preliminary results on their effectiveness.

研究动机与目标

• 解决大学生物理课程中常见的数学能力、概念理解能力和问题解决能力方面的不足。
• 开发一种可复现的、基于互联网的系统，支持学生自主学习并提供即时反馈。
• 通过允许无惩罚的重复练习，减少学生焦虑，提升掌握程度。
• 将自动化评估工具整合到统一的教学框架中，用于入门级物理课程。

提出的方法

• 实施自动化数学评估系统（AMES），自动批改数学表达式和方程。
• 使用计算机化作业批改系统（CHAGS），实时批改学生作业并提供详细反馈。
• 开发作业后的测验和小测验（QUICK），以巩固学习成果并整合知识。
• 围绕三大核心原则设计学习活动：平衡的挑战、明确的目标和即时反馈。
• 将所有工具整合到单一课程结构中，以支持持续的形成性评估。
• 在大学物理课程中应用该系统，并根据学生表现进行迭代优化。

实验结果

研究问题

• RQ1 如何设计基于互联网的工具，以有效支持学生掌握物理的数学和概念技能？
• RQ2 持续反馈和无惩罚的重复练习在多大程度上能提升物理课程中的学生学习成果？
• RQ3 自动化批改系统（如 AMES 和 CHAGS）能否在提升学生参与度和理解力的同时保持准确性？
• RQ4 作业后的测验（QUICK）与传统复习方法相比，在知识整合方面有何贡献？
• RQ5 结构化、反馈丰富的数字环境对入门级物理课程中学生表现和自信心有何影响？

主要发现

• AMES、CHAGS 和 QUICK 工具的整合显著提升了学生在问题解决任务中的表现。
• 由于反复进行低风险的练习并获得即时反馈，学生在概念理解方面表现更佳。
• 通过消除错误尝试的惩罚，该系统减轻了学生的焦虑，增强了坚持学习的意愿。
• 工具中的反馈回路使学生比传统方法更有效地识别并纠正误解。
• 课程的初步结果显示，学生参与度提高，核心物理概念的掌握程度也有所提升。
• 该模型在不同课程单元中均表现出可复现性和可扩展性。