SELF-BIAS AND GENDER-BIAS IN STUDENT PEER EVALUATION: AN EXPANDED STUDY
Notice bibliographique
Résumé
This paper expands on two studies first presented in 2015 in which gender-based differences in peer evaluation and the self-bias of students in engineering design courses were considered. In the current study, 50 evaluation events across 12 cohorts in four different courses, from first to third year at the University of British Columbia (UBC) are considered. Self evaluations and peer evaluations are used to measure how students rank their own contributions to the team relative to how they rank their teammates’ contributions. In addition, this study examines potential gender-bias when students evaluate peers, focusing on differences in evaluation score given to like- and different-gender individuals. The study confirms the presence of significant gender bias when evaluating others. Consistently across the contexts considered, both male and female students tend to evaluate female students more favourably. This study also confirms the presence of a self-bias—the tendency to rate one’s own contributions more favourably than peers’ contributions—that grows as a course progresses. In both forms of bias, statistically significant effects due to the course, team size and composition, the timing of evaluations, and various other interaction effects are observed. Overall, gender biases and self biases of 5% are shown to be common, and biases at times exceeding 10% are also observed. This has implications when considering the validity and reliability of peer and self evaluation as a summative assessment tool. This work suggests care should be taken in the use of self and peer evaluation data, as well as in team formation, since that appears to impact biases. One favourable outcome from this work seems to be the observation that peer and self evaluation biases diminish in later years, as students have more teamwork and evaluation experience.
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 | 0,022 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».