Skip to main content
Evaluating Iterative Refinement of a Graduate Biostatistics Course Using GAISE and PPDAC Frameworks: A Case Study
Graduate biomedical science students enter with varied statistical backgrounds, making concept‑focused, practice‑oriented instruction essential. This case study examines three iterations (2021, 2023, 2024) of a graduate biostatistics course designed using GAISE (Guidelines for Assessment and Instruction in Statistics Education) and the PPDAC (Problem–Plan–Data–Analysis–Conclusion) framework, demonstrating their application in a graduate setting. A repeated cross-sectional design used pre/post tests and assessment data was analyzed with paired t-tests, ANCOVA, and regression. All iterations showed significant knowledge gains, and adjusted post-course performance in 2023 and 2024 exceeded 2021. Post-course knowledge was most strongly associated with the real‑world PPDAC project, with smaller or inconsistent links to quizzes, assignments, and the midterm/presentation. Findings show that this framework-based structure supports measurable improvements in applied statistical knowledge.
Évaluation du perfectionnement itératif d'un cours de biostatistique de cycle supérieur à l'aide des cadres GAISE et PPDAC : Etude de cas
Les étudiants diplômés en sciences biomédicales ont des connaissances statistiques variées, ce qui rend indispensable un enseignement axé sur les concepts et orienté vers la pratique. Cette étude de cas examine trois itérations (2021, 2023, 2024) d'un cours de biostatistique de cycle supérieur conçu à l'aide des lignes directrices GAISE (Guidelines for Assessment and Instruction in Statistics Education) et du cadre PPDAC (Problem–Plan–Data–Analysis–Conclusion), démontrant leur application dans un contexte universitaire. Une conception transversale répétée utilisant des tests antérieurs et postérieurs et des données d'évaluation fut analysée à l'aide de tests t appariés, d'ANCOVA et de régression. Toutes les itérations ont montré des gains de connaissances significatifs, et les performances ajustées après le cours en 2023 et 2024 ont dépassé celles de 2021. Les connaissances acquises après le cours étaient plus fortement associées au projet PPDAC réel, avec des liens plus faibles ou incohérents avec les questionnaires, les devoirs et l'examen de mi-session/présentation. Les résultats montrent que cette structure basée sur un cadre permet d'améliorer de manière mesurable les connaissances statistiques appliquées.
Date and Time
-
Additional Authors and Speakers (not including you)
Lisa Eunyoung Lee
University of Toronto
Sobiga Vyravanathan
University of Toronto
Nicole Harnett
University of Toronto
Language of Oral Presentation
English
Language of Visual Aids
English

Speaker

Edit Name Primary Affiliation
Tony Panzarella University of Toronto