Educational triage in open distance learning: Walking a moral tightrope
Notice bibliographique
Résumé
Higher education, and more specifically, distance education, is in the midst of a rapidly changing environment. Higher education institutions increasingly rely on the harvesting and analyses of student data to inform key strategic decisions across a wide range of issues, including marketing, enrolment, curriculum development, the appointment of staff, and student assessment. In the light of persistent concerns regarding student success and retention in distance education contexts, the harvesting and analysis of student data in particular in the emerging field of learning analytics holds much promise. As such the notion of educational triage needs to be interrogated. Educational triage is defined as balancing between the futility or impact of the intervention juxtaposed with the number of students requiring care, the scope of care required, and the resources available for care/interventions. The central question posed by this article is “how do we make moral decisions when resources are (increasingly) limited?” An attempt is made to address this by discussing the use of data to support decisions regarding student support and examining the concept of educational triage. Despite the increase in examples of institutions implementing a triage based approach to student support, there is a serious lack of supporting conceptual and theoretical development, and, more importantly, to consideration of the moral cost of triage in educational settings. This article provides a conceptual framework to realise the potential of educational triage to responsibly and ethically respond to legitimate concerns about the “revolving door” in distance and online learning and the sustainability of higher education, without compromising ‘openness.’ The conceptual framework does not attempt to provide a detailed map, but rather a compass consisting of principles to consider in using learning analytics to classify students according to their perceived risk of failing and the potential of additional support to alleviate this risk.
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 | 0,044 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,049 |
| Communication savante | 0,029 | 0,025 |
| Science ouverte | 0,004 | 0,023 |
| Intégrité de la recherche | 0,012 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».