Assessment as A Pedagogy and Measuring Tool in Promoting Deep Learning In Institutions of Higher Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle