A Strategy for Developing Educational Evaluations for Learner, Course, and Institutional Goals
Notice bibliographique
Résumé
The curricula for both veterinary and human medicine are undergoing review and change as a new and highly competitive practice environment influences what abilities graduates require to be successful. Concerning many is the contention that some graduates lack skills and aptitudes necessary for economic success. If significant changes are to be considered for the curricula of either profession, it will be difficult to plan for meaningful change in the absence of high-quality information about the needs of graduates and related curriculum gaps. The purpose of this article is to argue why educators should design more effective systems of evaluation that are responsive to the needs of educational program planning. One example from a medical school is described. In this case, the authors discuss how their institution's evaluations were insufficient for answering new and important questions that go beyond traditional cognitive measures: specifically, no data set was available that allowed the institution to answer questions about practice environment and curricular innovations. More recently, institutions have become interested in learning to what extent their broad missions are accomplished or not. Similarly, academic leaders are not simply interested in performance of learners on tests of competence; they want to know more about how their graduates are doing in the practice setting. To answer questions such as these, educators must expand their systems of evaluations to address these broader themes. The authors conclude by identifying several lessons learned from their experiences in developing a new system of educational program evaluation.
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 | 0,181 | 0,316 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,014 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».