Ethical use of learning analytics for student support, not surveillance
Notice bibliographique
Résumé
The move to online education necessitated by the COVID-19 pandemic has greatly increased institutional use of learning management systems, contributing to vast amounts of educational data, ranging from information on admissions and retention, to the minutiae of course activities. These vast amounts of learner data are collected, measured, analyzed, and reported on to understand learning, learners and the learning environment and can be defined as learning analytics (LA). LA are intended to support students and assist with their success; however, most instructors and students are unaware of how learning analytics can be used in their courses and are consequently unfamiliar with the ethical implications arising from that use. Contributing to this gap is the lack of literature examining the use of LA at the instructor and course level, rather than at the level of the institution. This lack of familiarity with the use of, and ethical principles related to, LA has created, for many faculty, a default to using analytics for performance management, surveillance, and evidence of academic misconduct rather than to support learning. This presentation will address this gap by examining the ethical issues associated with the use of learning analytics specifically for instructors, and provide recommended best practices, resources, and tips to better support students, particularly in online or blended learning contexts. The intent of this research is to provide a guiding framework for the ethical use of LA to promote robust pedagogical practices, transparency between instructors and students so the focus is on academic integrity rather than misconduct.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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 ».