STRATEGIES FOR INSTRUCTOR PROTECTION FROM FALSE AND FRIVOLOUS HUMAN RIGHTS COMPLAINTS
Notice bibliographique
Résumé
False or frivolous human rights complaints against instructors, by students unsatisfied with their grades, have become a growing problem in some universities. These complaints and associated lengthy investigations are a form of mobbing that is harmful to instructors’ health and wellbeing. This in turn is harmful to instructors’ families, professional relationships, the pedagogical environment and the instructors’ careers. This paper reports on a brainstorming exercise used to identify possible ideas for preventing such false claims of human rights violations. This work operates under the assumption that the institution is unwilling or unable to improve their complaint management process. The authors identified 12 viable ideas that might help reduce the probability of a student making false accusations when unsatisfied with their grades. These ideas could be clustered as “Acquiesce”, “Shift Blame”, “Interaction Monitoring”, and “Separation”. All ideas had problem associated with them. Some ideas, like separation, were consistent with current pedagogical trends in distance and asynchronous education. In the face of a lack of institutional engagement in the current problem, the only idea identified that could secure instructor safety and wellbeing was to leave the profession. Further investigation is needed.
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 | 0,036 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,008 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».