How Do Course-Based Assessments Change in The Shift to Emergency Remote Teaching? Sustainable Assessment Strategies Through an Authenticity Lens
Notice bibliographique
Résumé
The shift from face-to-face (F2F) to emergency remote teaching (ERT) in response to COVID-19 has presented concerns for assessment in student learning. This study presents the comparison of a health science curriculum in F2F and ERT settings regarding assessments (count, type, authenticity) using our Authentic Assessment Tool and institutionally standardized course syllabi. Five hundred and seventeen assessments in 61 courses in ERT were inventoried (count, type) and subsequently categorized as 1 (low), 2 (moderate), or 3 (high) on core authenticity characteristics: realism, cognitive challenge, evaluative judgement criteria and feedback. These data were compared to a recent curriculum-wide F2F scan (457 assessments in 62 courses). Results show in the shift to ERT, the total number of both tests and assignments increased with a greater proportion of marks comprised of assignments (44% ERT versus 37% F2F). Curriculum-wide authenticity scores were similar (1.8 ± 0.4 ERT versus 1.8 ± 0.6 F2F), although this trend was because nearly an equal proportion of courses increased and decreased authenticity. The largest number of courses (n=30) making improvements on individual characteristics of authenticity did so regarding the dimension feedback. This work presents modest yet actionable items to achieve authenticity for consideration in assessment design as institutions begin to produce and consider policies regarding course structure and assessment design in the post-COVID educational context.
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 | 0,026 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».