Notice bibliographique
Résumé
<p>I am pleased to present Issue 6.3. Articles in this issue focus on aspects of teaching. Sara Sohr-Preston and colleagues examine the student rating of professors. In their empirical work, the authors demonstrate that there are multiple factors, some of which are not under the control of the professor, influence student ratings; this suggests that ratings should be used by faculty and administrators cautiously in any administrative decision process. David Giacalone provides results of a study showing the value of case-based scenarios and audience response systems to improve student learning. We are pleased to publish these works that further scholarship related to learning.</p><p>As we come to the last quarter of the year, I wanted to let you know that, in 2017, we are going to shift our publication strategy somewhat. We are going to reduce to two issues per year, one that publishes in June and the other in December. To ensure that articles are available throughout the year, we will begin publishing on a rolling basis. This means that once we receive a manuscript, and it is accepted for publication, it will be published online right away. Published articles will then be collected and put into an issue twice each year. We hope that this, along with our goal to continue to reduce the time to publication, will allow you to showcase your work right away to the larger academic and professional communities.</p><p> </p><p>We thank you for your readership of the Higher Learning Research Communications journal and encourage you to consider our journal for your publication needs.</p>
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 | 0,003 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,212 | 0,148 |
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 ».