Creating a positive prior learning assessment (PLA) experience: A step-by-step look at university PLA
Notice bibliographique
Résumé
A prior learning assessment (PLA) can be an intimidating process for adult learners. Capella University’s PLA team has developed best practices, resources, and tools to foster a positive experience and to remove barriers in PLA and uses three criteria to determine how to best administer the assessment. First, a PLA must be motivating, as described by the ARCS model. Second, it must enable success. Finally, it must use available resources efficiently. The tools and resources developed according to these criteria fall into two categories: staff and online resources. PLA programs can use both to ensure that all departments provide consistent communication to learners about the PLA process, which will foster a positive experience. The PLA online lab houses centralized resources and offers one-on-one interaction with a facilitator to assist learners step-by-step in the development of their petitions. Each unit contains resources, examples, and optional assignments that help learners to develop specific aspects of the petition. By following the examples and recommendations, learners are able to submit polished petitions after they complete the units. The lab facilitator supports learners throughout the units by answering questions and providing recommendations. When learners submit their petitions, the facilitator reviews it entirely and provides feedback to strengthen the final submission that goes to a faculty reviewer. All of these individuals and tools work together to help create a positive experience for learners who submit a PLA petition. This article shares these resources with the goal of strengthening PLA as a field.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,003 | 0,018 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».