Understanding International Benchmarks on Student Engagement
Notice bibliographique
Résumé
There is an increasing trend to use national benchmarks to measure student engagement, with instruments such as North American National Survey of Student Engagement (NSSE) in the USA and Canada, Student Experience Survey (SES) in Australia and NZ (previously known as the University Experience Survey UES), and Student Engagement Survey (SES) in the UK. Unfortunately, Computer Science (CS) rates fairly poorly on a number of measures in these surveys, even when compared to related STEM disciplines. Initial research suggests reasons for this poor performance may include a lack of awareness by CS academics of these instruments and the student engagement measures they are based on, and a misalignment between these instruments and the research focus of computing educators, leading to misdirected efforts in research and teaching practice. In this working group we carry out an in-depth analysis of international student engagement instruments to facilitate a greater awareness of the international benchmarks and what aspects of student engagement they measure. The working group also examine the focus of current computing education research and its alignment to student engagement measures on which these instruments are based. Armed with this knowledge, the computing education community can make informed decisions on how best to respond to these measures and consider ways to improve our performance in relation to other disciplines. In particular it is important to understand why certain measures of student engagement are built into these instruments, how these align to our current research practice or even to provide feedback to the designers of these instruments from a CS perspective.
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 | 0,047 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,016 | 0,020 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».