Role of Learning Management Systems for Formative Assessment in Higher Education
Notice bibliographique
Résumé
This study addresses faculty perceptions of how the features of existing learning management systems (LMS) currently and potentially enhance their assessment of student work. Within this type of technology, a selection of a couple of main systems, namely Blackboard and Moodle, was examined. A critical analysis of the exiting literature on the adoption of assessment features within the classrooms for formative purposes is presented. A mixed methods research design was used in order to evaluate the effectiveness of formative assessment tools in LMS. A survey was electronically distributed to professors in two mid-sized universities in Eastern Ontario, Canada to gather data in the first phase. The second phase of data collection entailed interviewing a subset of the professors after analysing the first set of data. Additional analysis was conducted in order to identify the factors that can elevate the perception and use of LMS as major tools for formative assessment. Results revealed that professors are generally struggling with the existing tools in LMS and perceive them to be only marginally effective to conduct formative assessment to the extent that they desire, especially at higher order level. They also consider the existing number of tools as being limited. Recommendations were made to improve the design of assessment tools in LMS for formative purposes. Training was identified as the main factor to increase the use of these tools along with receiving institutional support, extra time and technical help in integrating the new tools in their teaching.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».