Evidence-Based Development of Doctoral Education: The Landscape of Doctoral Students' Experience Research
Notice bibliographique
Résumé
Regular surveys of doctoral students on their career trajectories, satisfaction with the program and the learning process, with the organization of supervision, etc. are widespread in leading foreign universities. The results of such surveys are used to improve programs and assess the effect of the introduced measures. In Russia, however, there is a lack of empirical data on the doctoral students’ experience, which makes it impossible to identify and address the reasons for the low performance of the Russian doctoral education observed over the past few years. To support the discussion about the need for such monitoring surveys in Russia, this article presents the results of an analysis of open information from the websites of about 150 foreign institutions that organize doctoral student surveys at the national, cross-university, and institutional levels. The presented review shows how actively doctoral education data collection takes place in the USA, Canada, Australia, and the UK, where there are one or more large-scale projects stimulating the collection of data from several universities, and how the results of such research are used by universities, employers, and applicants. On the example of topics related to the motivation for entering doctoral programs, to the career trajectories of doctoral students, and to the organization of supervision, it is discussed how the described research practices can be used for the evidence-based development of Russian doctoral education.
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 | 0,424 | 0,513 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,019 | 0,016 |
| Études des sciences et des technologies | 0,005 | 0,025 |
| Communication savante | 0,027 | 0,020 |
| Science ouverte | 0,006 | 0,017 |
| Intégrité de la recherche | 0,006 | 0,007 |
| 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».