Use of <i>Z</i>-scores to Rank Applicants to Professional Degree Programs
Notice bibliographique
Résumé
Criteria for assessing suitability of applicants for professional degree programs such as veterinary medicine are usually treated as distinct components of a composite scoring procedure that determines applicant ranking. Some components are valued more than others, which is reflected in the relative weights assigned to each component. However, the patterns of dispersal of individual components have the potential to alter the assigned relative weights. Components with larger variances can have greater influences on composite scores than intended. Such unintended altered weighting can be avoided through standardization. Yet non-standardized approaches continue to be used for admissions ranking in several programs. In this study, we documented the potential for differential selection of applicants when non-standardized scoring approaches are applied to admissions assessment components. At our medical school, applicants' component scores with differing variances are standardized by determining Z-scores with a mean of 0 and standard deviation of 1 before mathematically combining to calculate composite scores and admissions ranking. We retrospectively and hypothetically ranked one applicant cohort using non-standardized methods and identified differences in ranking between the standardized and non-standardized approaches. Most differences were observed for applicants in the second, third, and fourth quintiles of the admissions rank list, that is, those for whom admissions cut-off decisions make a marked difference. Observations were supported by lower Spearman's rank correlation coefficients in these quintiles. Although standardization of component scores is not a novel topic, we document the implications of using non-standardized scoring approaches for applicant ranking and underscore the importance of standardization of component scores.
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 | 0,013 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».