Adapting to Change: A Study of Assessment Practices in Engineering Education Amidst Major Disruptions
Notice bibliographique
Résumé
Post secondary education experienced two major disruptions in the past five years that forced us to change the way we do our jobs. First the pandemic shifted us to remote delivery, and then generative AI was released to the public. Many academic institutions provided some form of guidance on how to handle these challenges in hopes that the teaching and learning processes would not be significantly impacted. Both disruptions forced educators to rethink the evaluation and assessment practices used within our programs, as noted in a recent policy review that identified the need to adopt ‘multifaceted evaluation strategies’. It is unclear, however, how, or if, the engineering education community responded to this need. This qualitative systematic review answers ‘What assessment and evaluation strategies are reported in the engineering education and assessment and evaluation literature from 2020 (beginning of the pandemic) until the end of 2024 (two years of generative AI availability)?’ Examined through the lens of the Macro-Meso-Micro (3M) framework for educational change, analysis of 35 conference and journal papers indicate a shift in assessment strategies, techniques, and methods from a focus on content to learning, a move to more continuous and formative assessment, and a choice of assessment practices that meet the evaluation and assessment needs of multiple levels of the 3M framework
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 | 0,114 | 0,228 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».