Students’ Perception of the Use of a Rubric and Peer Reviews in an Online Learning Environment
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
Moving towards online learning during the coronavirus pandemic presented challenges, such as identifying assessments for learning. Assessments for learning involve using assessments as part of the learning process. Alternative assessments, as opposed to traditional assessments, are favoured for promoting for learning. These assessments include peer assessments and using criteria-referenced tools such as a rubric. Online learning environments often favour automated grading tools such as multiple choice. However, essay-type probing questions help students adopt a deep learning approach. Peer assessments and rubrics can help with grading essay-type questions. However, while the benefits of rubrics and peer assessments are well documented, there is limited research on students’ perceptions in South Africa on the use of rubrics and peer assessments in online environments to facilitate a deep approach to learning. A mixed method approach using a Likert scale and an online qualitative questionnaire was undertaken to explore students’ perceptions of the use of peer assessments with a rubric in an undergraduate module at the University of Johannesburg. Despite a low response rate, four main themes emerged: a clear performance criterion, structured writing, and a deep approach to learning and critical thinking. However, the study also showed limitations of the peer rubric and peer assessments in helping students prepare for formal summative assessment. The results suggest that the rubric and peer assessments, with amendments, could help students adopt a deep approach in online learning environments.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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