Common-sense teaching for the 2020s: Ungrading in response to covid-19 and beyond
Notice bibliographique
Résumé
Conventional letter- or number-based grading systems, though ubiquitous at all levels of education, do not optimize the learning experience. The philosophy of “ungrading” includes a variety of approaches that decenter or even remove numeric or letter scoring of student work in favor of descriptive feedback, opportunities for revision, self-assessment and reflection, and assessment toward mastery. This paper presents one of the few published descriptions of the use of ungrading approaches in geoscience courses at the undergraduate and graduate level. We showcase four approaches, detailing the courses and ungrading structures used, positive outcomes and challenges, and tools that might allow others to apply these methods. We describe (a) mastery and specifications grading, chosen to promote mastery of course materials in mid- and upper-level courses for college majors; (b) labor-based grading used to promote depth of student learning by focusing on revision; (c) collaborative grading utilizing self-assessment and reflection chosen to promote meta-cognition and growth mindset; and, (d) partial ungrading as a means to begin the ungrading process. Importantly, our experiences have led us to recognize the equity that ungrading approaches create, enabling students from different backgrounds, including students of color and disabled students, to find stronger support and build greater competence and confidence in geoscience classes.
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 | 0,027 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».