Notice bibliographique
Résumé
Abstract – As programs drive to innovate in educational delivery they are increasingly seeking to apply and connect diverse data sets, including student performance data arising from learning outcomes assessment, student activity data in learning management systems, and survey data. This research study is aimed at developing a model to support visualization of educational data to support a range of data needs from individual reflection to program improvement and change management. A literature review around assessment data usage indicated that there is currently a gap in the assessment cycle between collecting the educational data and putting it to use towards educational data needs. Facilitating ways to close this gap served as the motivation for the study. The first phase of this study, as approved by the instructional research ethics board, was to find out how instructors, faculty administration, and educational developers use data and the role it has in improving the student experience. We conducted semi-structured interviews of twelve faculty and educational staff who collect, analyze, and reflect on educational data. Interviews were created according to McCracken and analyzed using Charmaz’s abductive approach to grounded theory. The emerging data presents a number of emergent themes around the affective aspects of how stakeholders feel about how data is and is not being used. This paper will describe the method to approach to the qualitative data gathering and analysis procedure, and the ideas that emerged from the interviews that we think are of interest to readers.
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 | 0,072 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».