Student Evaluation of Lecturer Performance Among Private University Students
Notice bibliographique
Résumé
The evaluation of lecturer performance at the end of the semester is widely practicedby learning institutions and universities. The results of the evaluations are beneficial in understanding the areas of possible improvement for the lecturer. The purpose of this study is to identify the factors and predictors of lecturer performance among undergraduates in a private university in Malaysia using the existing questionnaire. A total of 223 respondents were recruited using multistage sampling.The results of this study showed that lecturer and tutor characteristics ( r = 0.722, p < 0.01), subject characteristics ( r = 0.699, p < 0.01), the studentship ( r = 0.472, p < 0.01), and learning resources and facilities ( r = 0.650, p < 0.01) were positively correlated with overall lecturer performance. Stepwise hierarchical regression was used to determine the predictors of overall lecturer performance among the students. The results of the final model showed that lecturer and tutor characteristics, subject characteristics, and learning resources and facilities explained 61.9% of the variance in overall lecturer performance among students ( F = 118.732, p < 0.01). Knowing the predictors of overall lecturer performance would help the lecturer and university identify the specific areas for improving the performance of the lecturer. Key words : Lecturer and tutor characteristics; Subject characteristics; Learning resources and facilities; Overall performance
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».