EDUCATIONAL DATA MINING APPROACH FOR ENGINEERING GRADUATE ATTRIBUTES ANALYSIS
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
Curriculum improvement and graduate attributes assessments have become recently a serious issue for many Canadian engineering schools. Collecting assessment data concerning graduate attributes and the students’ learning is an important step of curriculum evaluation and the continuous improvement process. To be successful, this improvement process needs appropriate methods and tools for data analysis.Recent developments in the field of Psychometrics and Educational Data Mining (EDM) provide multidimensional item response models able to take into account student and curriculum attributes as parameters. The primary intent of these new models is to predict student successes based on students past performance and the assessment map underlying the tests they completed.We demonstrate in this paper that these models can also be used to analyze the assessment map. In the psychometric and Educational Data mining literature, assessment maps are usually represented as a parameter that associates items to competencies in a matrix called Q-matrix. This concept draws its origins from the Rule-Space Model that was introduced in the eighties to statistically classify student item responses into a set of ideal response patterns associated to different cognitive skills.A method based on the Additive Factor Model has been successfully implemented to analyse the Q-matrix corresponding to the assessment maps used in the graduate assessment process. The results of 17 volunteering anonymous students completing 36 courses at the Université de Moncton between winter 2010 and fall 2015 semesters was analysed with our method. Results obtained provided interesting and useful information regarding the assessment map and the overall assessment process that are presented and discussed in this paper.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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