Exploring Advantages of the Implementation of a Peer-Assessment Tool in a First-Year Undergraduate Course
Notice bibliographique
Résumé
Abstract Benefits of peer-assessments have been recognized for quite some time. Research has shown that the impact of peer-evaluations on students' learning experience, is one that is positive and focuses on building critical thinking and metacognitive skills. This research aims to provide insight on the opportunities and effects of integrating peer-assessments in a University of Waterloo first-year engineering course's model as the primary assessment method. To explore this, Kritik, a third-party platform that focuses on peer-learning through peer-assessment, was used as part of a solid mechanics course offered to first year engineering students at the University of Waterloo. In this course, first-year engineering students were required to complete various hands-on lab activities, and a final project as a group. Once submitting their initial work on the platform, they were then required to individually assess their peers' work, and then individually reflect on the grades that they received. The grade they received for their group work, the quality of their peer evaluations, and the feedback they provided on the grades they received from their peers were all factors of their final individual grade for each assessment. This encouraged students to evaluate each other's work in a genuine manner—increasing the viability of their evaluations. The results show an increase in understanding of course concepts, less stress on the teaching team due to reduced grading, and an increase in opportunity for the students to fully experience what the course offers in a realistic time frame—an opportunity that is scarce due to the length of academic terms and the sheer amount of course content to be taught.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».