An Excel Add-in for Accreditation Data Collection and Auto Grading Sheets (AGS): A Canadian Experience
Notice bibliographique
Résumé
In this paper, an Excel Add-in or Xl-App for automating grade recording and graduate attributes assessment at the course level is presented. The Xl-App is one of the three major constituents of the OBACIS System. At the course level, the purpose of the Xl-App is twofold: 1) cutting down the grade compilation and accreditation reporting time and effort by an order of magnitude using the built-in OBACIS accreditation and grading sheets (AGS) module 2) introducing an advanced tool for data-driven continuous improvement (DCI) for enhancing the teaching and learning experience at both course and program levels. The app has a third module used to collect additional information related to accreditation reporting. This information is required by the course information sheets (CIS) mandated by CEAB accreditation questionnaire. The Win-app has a dedicated module that serves that purpose called OBACIS Catalogs. The Xl-App is capable of emitting the data collected in both XLSX and XML formats. The data collected can be easily exported to learning management systems (LMS), grade books, and web marking systems. The OBACIS Win-App can easily parse the data collected from different faculty members using the Xl-App in their raw excel format and integrate them together to generate unified program and faculty-level assessment reports that can be utilized in generating top-down continuous improvement action plans. The Xl-App has been in implementation since early 2015. It had remarkable impact on enhancing the teaching and learning experience of a handful of courses taught by the author. The App improved the robustness of course grading and saved a tremendous amount of time needed for grade and accreditation reporting.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».