DEVELOPING A SELF-PACED ONLINE COURSE FOR GENDER-BASED VIOLENCE PREVENTION EDUCATION: PROCESS AND LESSONS LEARNED
Notice bibliographique
Résumé
Research in universities shows that experiences of gender-based violence (GBV) are common among the student population. STATSCAN data reports 1 in 5 female students will experience gender-based violence before they leave university or college. Furthermore, in a recent climate survey of post-secondary institutions it was found that 71% of students at Canadian postsecondary schools either witnessed or experienced unwanted sexualized behaviours in a postsecondary setting,47% of students at Canadian post-secondary institutions witnessed or experienced discrimination on the basis of gender, gender identity or sexual orientation in the past year; 41% of all reported incidents of sexual assault were reported by students and 4 out of 5 undergraduate students surveyed at Canadian universities reported experiencing dating violence. Intervention initiatives in the form of online courses are sparse but show promising capabilities to reach and engage with large student communities. This paper describes the process and lessons learned in the development of a self-paced online course as one of many initiatives taken to prevent gender-based violence incidents on a Canadian university campus. Initially, the general framework for GBV education and prevention will be explained, and how it led to the creation of a micro e-learning collection. Then, the development methodology will be explained, using the ADDIE (Analysis, Design, Development, Implementation, and Evaluation) model to organize all decisions made, emphasizing on the analysis and design phases. Elements considered in the analysis were: (1) the requirements for the qualifications of students and student leaders, (2) reasoning for self-paced online approach, and (3) technical infrastructure and requirements. In terms of design, considered topics were: (1) content and curriculum, (2) learning approach, and (3)collaboration and networks. The evaluation plan is a long-term, phased approach that includes evaluation of: (1) the learning environment, design, and accessibility; (2) student satisfaction and engagement, (3) student learning and learning outcomes, and (4) relevance and impact. Finally, some lessons learned, and preliminary results of implementation will be discussed.
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 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».