Student Evaluations of Teaching: Understanding Limitations and Advocating for a Gold Standard for Measuring Teaching Effectiveness
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
The arbitrator’s decision in Ryerson University v Ryerson Faculty Association [2018] CanLII 58446 (ON LA) rejected use of Student Evaluations of Teaching (SETs) for academic confirmation and promotion purposes. SETs provide largely quantitative data in response to pre-determined institutional, generic questions using a Likert scale applicable to all teaching modes. SETs may be efficient, but commonly low response rates mean the data is often statistically invalid. Studies of SETs suggest gender, age, race, and other biases are widespread, and they discourage teaching innovation because academics fear student backlash in SET scores. Consequently, SETs are of little value to academics for their professional development, confirmation or promotion, or as evidence for teaching grant or awards processes. The continuing impact of the COVID-19 pandemic on traditional models of teaching has forced many changes in teaching, learning and pedagogy, often with a temporary suspension of SETs to allow teachers to innovate without negative impact on professional development measures. This presents a unique opportunity for us to revisit how the effectiveness of teaching and learning is measured. Academic teaching staff still need evidence of teaching effectiveness, as do sessional staff looking for continued employment and/or a career in academia. This paper discusses the strengths and weaknesses of SETs; seeks to equip law academics to advocate for other measures of teaching effectiveness that better reflect their contribution to student learning; and to pave the way for law discipline and institutional level changes that support a gold standard in measuring teaching effectiveness beyond reliance on SETs, for the benefit of teachers in law and other disciplines.
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 | 0,008 | 0,012 |
| 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 | 0,001 | 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