How can we reduce bias during an academic assessment reappraisal?
Notice bibliographique
Résumé
Aims: To describe potential sources of bias during an academic assessment reappraisal and ways to mitigate these.Methods: We describe why the typical scenario of an academic assessment reappraisal – where committee members are asked to weigh contrasting accounts of past events that they did not witness, and to rate elusive constructs, such as “fairness” – is prone to multiple types of bias, including attribute substitution, default bias, confirmation bias, and impact bias. We also discuss how increased awareness of sources of bias and of debiasing strategies can improve the validity of decision making.Results: Strategies that can reduce bias in reappraisal include clearly articulating and focusing on the reappraisal question (did bias cause a wrong decision to be made?), educating those involved in the reappraisal of the types of bias that frequently occur in teaching and assessment (including biases that they themselves may introduce to the reappraisal), and ensuring that those involved in the reappraisal contribute equally to making decisions and recommendation.Conclusions: All academic assessments of students, particularly those that involve subjective ratings of performance, are prone to bias, which threatens the integrity of the assessment process. Given the high stakes of academic assessments, we feel that each medical school should have a process for assessment reappraisal that reduces, rather than compounds, the likelihood of wrong assessment decisions.
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 | 0,419 | 0,660 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,015 |
| Communication savante | 0,018 | 0,021 |
| Science ouverte | 0,006 | 0,015 |
| Intégrité de la recherche | 0,009 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».