Improving teaching effectiveness: feedback preferences by teachers on a faculty facing dashboard
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To improve clinical teaching skills, feedback on teachers’ strengths and weaknesses needs to be reliable, timely, and relevant. To provide timely feedback we undertook development of an analytical dashboard to provide learner feedback to our faculty. As dashboard data displays are limited we performed a modified Delphi (mDelphi) method to determine what feedback would be preferred by our faculty. Our study was used to develop a group consensus of how our faculty’s teaching effectiveness data should be presented on an online electronic dashboard to support their needs. A working group of junior and senior faculty, a resident and fellow were asked to provide topics that provided formative and summative feedback for our faculty. Thirteen topics were identified and these were used in a mDelphi process to choose 4–5 topics which were relevant to faculty and be able to be displayed on a faculty facing dashboard. Two rounds of the mDelphi were performed using faculty experts in education of varying levels of experience. The first round of the mDelphi identified ten topics which were given high priority by our experts and the other three were discarded. In the second and final round four topics were given the highest importance for inclusion on the faculty dashboard. Our study identified 4 high priority topics for a faculty teaching scorecard. This study showed that anesthesiology faculty prefer topics relevant to formative rather than summative assessment with an emphasis on benchmarking to other faculty with the goal of improving teaching effectiveness.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle