Exploring discipline differences in student engagement in one institution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Student engagement has become increasingly important in higher education in recent years. Influenced internationally by government drivers to improve student outcomes, many countries and institutions have participated in surveys such as the National Survey of Student Engagement (NSSE) and its progeny, the Australasian Survey of Student Engagement (AUSSE). Findings from these surveys are used to make comparisons, for example, between disciplines within an institution, and between different institutions. The intention is positive – to generate institutional improvement. However, some researchers are raising issues with the design and use of instruments like the NSSE, particularly as it becomes dominant in countries such as the USA, Canada, Australia, New Zealand, South Africa, China and Ireland. Questions have also been raised about discipline differences in student engagement. This article reports on a study conducted in New Zealand. It draws on data from an AUSSE to answer the question: what can we learn about discipline differences in student engagement from AUSSE data in one institution? It uses analysis of variance and post hoc procedures to identify significant differences between disciplines. Findings show that: there were significant differences between disciplines on all six engagement scales; some discipline differences are influenced by assumptions in the AUSSE; findings on differences between hard and soft disciplines are both similar to and different from previous studies; AUSSE data not be compared across disciplines within an institution; and the AUSSE scales need to go beyond the current focus on measuring students’ behaviours.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle