Developing benchmarks for prior learning assessment. Part 1: research
Notice bibliographique
Résumé
AIM: The aim of the study was to develop and promote national benchmarks for those engaged in accreditation of prior learning (APL) termed 'prior learning assessment and recognition' (PLAR) assessment in Canada, in all sectors and communities. The study objectives were to gain practitioner consensus on the development of benchmarks for APL (PLAR) across Canada; produce a guide to support the implementation of national benchmarks; make recommendations for the promotion of the national benchmarks; and distribute the guide. The study also investigated the feasibility of developing a system to confirm the competence of APL (PLAR) practitioners, based on nationally agreed benchmarks for practice. METHOD: A qualitative research strategy was developed, which used a benchmarking survey and focus groups as the primary research tools. These were applied to a purposive sample of APL practitioners (n = 91). The participants were identified through the use of an initial screening survey. RESULTS: Respondents indicated that in Canada, PLAR is used in a variety of ways to assist with individual and personal growth for human resource development, the preparation of professionals and the achievement of academic credit. The findings of the focus groups are summarised using a SWOT analysis CONCLUSION: The study identified that the main functions of the PLAR practitioners are to prepare individuals for assessment and conduct assessments. Although practitioners should be made aware of the potential conflicts in undertaking combined roles, they should be encouraged to develop confidence in both functions.
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 | 0,070 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».