MétaCan
Menu
Retour à la cohorte
Enregistrement W4389050276 · doi:10.54254/2753-7048/26/20230843

Research Review on the Improvement of Scholarships Evaluation in Chinese Colleges

2023· article· en· W4389050276 sur OpenAlexaff
Lanyi Wei

Notice bibliographique

RevueLecture Notes in Education Psychology and Public Media · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovative Educational Techniques
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésSummative assessmentDominance (genetics)IncentiveFormative assessmentEducational evaluationMathematics educationPolitical scienceMedical educationEngineering ethicsPsychologyEngineeringEconomicsMedicineMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Scholarships have been playing an important role in higher education because of its positive incentives. As the essential element of scholarships, scholarships evaluation has a direct influence on the effect of scholarships. Educational workers have worked on improving scholarships evaluation for function maximization, and they have gained theoretical and practical achievements. Built on related studies, the paper is to briefly introduce the current situation of scholarships in Chinese colleges from three aspects: purpose, program and process, to describe three obvious difficulties scholarships evaluation having faced: Matthew effect caused by changeless criteria, unfairness in reviewing non-academic criteria, and the dominance of summative assessment, and to relate three corresponding strategies educational workers have put forward: making Catfish effect by establishing dynamic evaluation system, increasing fairness by quantitating non-academic criteria, and weakening the dominance of summative assessment by introducing foreign educational assessment theories. It is worth to further explore how to gain better balance between achieve effectiveness and demonstrate practicality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,995
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,010
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,194
Tête enseignante GPT0,534
Écart entre enseignants0,340 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineÉvaluation
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLecture Notes in Education Psychology and Public MediaMême sujetInnovative Educational TechniquesTravaux en français237 207