Peer review: An effective approach to cultivating lecturing virtuosity
Notice bibliographique
Résumé
BACKGROUND: Most university faculty members are expected to teach. Many would benefit from instruction designed to improve lecturing. AIMS: To explore the impact of a program in which video-recorded lectures were critiqued by peers. METHOD: Sixteen lecturers participated in this qualitative study. Four agreed to have an undergraduate lecture video-recorded for peer review. Twelve participated in review sessions wherein the lecturer and three peers viewed and critiqued the recorded lecture. All discussions were recorded and transcribed for thematic analysis. Subsequently, semi-structured interviews were conducted with each lecturer and all 12 peer reviewers. Three pairs of research team members independently conducted thematic analyses of the discussion transcripts and the interviews; then all members met to develop consensus on major emergent themes. RESULTS: Six themes were identified: (1) the benefits of peer review; (2) the components of successful peer review; (3) the value of reflection on teaching experiences; (4) the inherent stress in peer evaluations; (5) the elements of successful lecturing; (6) lecturing as performance. CONCLUSIONS: The benefits of peer assessment of lecturing (PAL) were enthusiastically endorsed by all 16 participants. The PAL program is now supported by the McGill Faculty Development Committee and plans to implement regular PAL sessions in place.
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 | 0,055 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».