MétaCan
Menu
Retour à la cohorte
Enregistrement W3111170368 · doi:10.5430/ijhe.v10n2p274

Assessment as A Pedagogy and Measuring Tool in Promoting Deep Learning In Institutions of Higher Learning

2020· article· en· W3111170368 sur OpenAlexvenueno aff
Mfundo Mandla Masuku, Nokukhanya N. Jili, Primrose T. Sabela

Notice bibliographique

RevueInternational Journal of Higher Education · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHigher Education Learning Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDeep learningAssessment for learningHigher educationComprehensionFormative assessmentMathematics educationPsychologyComputer sciencePedagogyArtificial intelligencePolitical science

Résumé

récupéré en direct d'OpenAlex

Traditionally, the key principle of assessment was based on the depth and intensity of the knowledge taught in class. In our modern state, the notion of assessment is more about learning and less about whether it is deep or surface learning. This could be attributed to challenges facing higher education, such as marketisation, massification, access and success. This article aims to demonstrate the significance of assessment as a pedagogical and measuring tool to promote deep learning in institutions of higher learning. It analyses how different types of assessment could contribute to deep learning while enhancing critical thinking and analytical skills. The article adopted the qualitative research approach to appraise critically and examine the literature on assessment in higher education. The sequence in which assessment tasks are presented, the pedagogical approaches adopted and measurement tools used should aim to present general non-threatening questions. The article recognises Bloom’s taxonomy as it classifies educational learning objectives in the manner that accommodates deep learning. This article suggests that assessment should be made explicit, aligned with learning outcomes that consider deep learning in terms of acquisition of knowledge, comprehension, application, analysis, synthesis and understanding of basic concepts in what is learnt. It concludes that students need to be engaged in their assessment to enable them to develop skills and dispositions that prepare them for the future as socially responsible citizens. Research needs to be conducted on the higher education challenges that compromise the quality of assessment as this could have negative effects on the development of deep learning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,058
score de la tête « metaresearch » (Gemma)0,062
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,308

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0580,062
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,003
Études des sciences et des technologies0,0030,006
Communication savante0,0090,009
Science ouverte0,0010,010
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,456
Écart entre enseignants0,394 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Higher EducationMême sujetHigher Education Learning PracticesTravaux en français237 207