Inclusive curricular improvement: experiences adapting a strength-based evaluation approach
Notice bibliographique
Résumé
We describe key factors in adapting to a computing context the Appreciative Inquiry methodology, which emphasizes participatory exploration of a design (e.g., course or curricular design) and encourages and supports diverse perspectives via a story-driven, strengths-based approach. Appreciative Inquiry is a stakeholder-driven, qualitative methodology for exploring a design or organization that focuses on what is working well and how to preserve and build on that success. As a case study, we share our experience using Appreciative Inquiry to evaluate and improve a non-majors' first-year computer science course that is intended to support diverse students. We describe the methods that we used to give context to our adaptation of Appreciative Inquiry. We then highlight our reflections on our evaluation and the strategies that we learned from this context to effectively apply Appreciative Inquiry. We believe that our approach yielded different and deeper results than we would have found had we not used Appreciative Inquiry. Further, we believe that its focus on strengths may have attracted participants who would not have otherwise participated; its participatory nature is a practical way to include students and teaching assistants as co-evaluators and give power to their voices. We argue that other computer science educators should consider trying this approach to tap into perspectives and input overlooked by more common research methods which focus instead on quantitative data collection or addressing deficiencies and problems.
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 | 0,100 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».