Notice bibliographique
Résumé
CJPE 31(1) is jam-packed with practical learning interspersed with research on evaluation that both enhances our academic understanding of evaluation and advances the practice of evaluation.Carreau et al. lead the way with a study that fi ts squarely into the category of empirical research on evaluation.Th is team not only conducted research on evaluation, but also used results to identify weaknesses in current evaluation methods in the fi eld of interprofessional education and collaborative practice.It is a strong example of well-done research on evaluation that has direct practical applications.Th e next three full-length articles depict innovations in evaluation approaches and methods.Evaluability assessment is all too forgotten and is rarely discussed.Soura et al. 's French-language manuscript brings evaluability assessment to life.Readers should note the utility of well-done evaluability assessment and will perhaps be inspired to include it in their evaluation toolkit.Michelle Searle and Lyn Shulha open our eyes to arts-informed inquiry as a methodological tool for evaluation.I recall being mesmerized by Michelle's CES conference presentation on this approach and am delighted to see it published here so that others can learn, adopt, and adapt.Th e fi nal research article, by Arsenault et al., takes us into the deep, dark, and, yes, scary environment of prisons to demonstrate how we can adapt our approaches to unusual and challenging contexts.Th e four short articles in the Research and Practice Notes section demonstrate how varied the practice of evaluation is.I believe that Williamson et al. 's piece is a CJPE and CES "fi rst": a piece published by student participants on how the Student Case Competition contributed to the development of specifi c evaluation competencies.Nutter et al. draw our attention to challenges and solutions to conducting a "needs assessment"-something evaluators are oft en called upon to do and that some might argue is not a typical evaluation pursuit.Henson argues that standardized evaluation questions can be modifi ed to assess the quality of data generated by programs for evaluation-a case of evaluators helping others to help evaluators.And Renger returns to these pages with some colleagues to share how to conduct process fl ow mapping as part of continuous quality improvement.Jam-packed, fun-fi lled, and, I think, with at least one thing for every reader!
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gpt | aucune catégorie Domaine: non disponible · Genre: Éditorial Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | high |
| grok | aucune catégorie Domaine: non disponible · Genre: Éditorial Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| opus | aucune catégorie Domaine: non disponible · Genre: Éditorial Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
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 | 0,018 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 découleClassification
machine, non validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».