Building Training Methodology: Preparing Invigilators for Active, In-person, Exam Management
Notice bibliographique
Résumé
This study assesses effective training methods that support in-person, post-graduate, exam invigilators to build awareness of institutional policies as well as heighten their comfort and confidence with invigilating in the exam setting. Vigilant, active invigilators are considered effective in reducing student cheating behaviour on exams (Alabi, 2014; Attoh Odongo et al., 2021; Feng & Ouyang, 2021; Siniver, 2013). This study followed 26 exam invigilators of varying experience through pre-training, training, and post-exam invigilation. Invigilators completed an online survey prior to participating in an in-person, half-day training session, self-identifying existing levels of experience, policy knowledge, and comfort/confidence in the exam setting in numerous situations. Upon completion of an in-person training session in a group setting, they completed a second online survey, which showed overall improvement. Invigilators were then assigned a live, in-person invigilation shift and following this, completed a third online survey. The study concludes that the training methods implemented foster confident and capable exam invigilators who support students’ compliance with academic integrity. With the shift to online testing during the COVID-19 pandemic, consideration needs to be given as to whether in-person invigilators retain the knowledge when they experience lengthy lapses of employment, and how their learned skills may be transferable to the online environment.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».