Tutor training across disciplines: expanding aid and enabling student entrepreneurship
Notice bibliographique
Résumé
As learning developers, we frequently find ourselves constrained by institutional structures and disciplinary areas of expertise. At just one of the University of Toronto’s three campuses, we have no fewer than five distinct undergraduate faculties, thereby creating a complex ecosystem that compounds the difficulty of supporting all students, even beyond the issue of understanding the expectations of multiple programs of study. While the Centre for Learning Strategy Support has dispersed members of our team across the St. George campus to focus on distinct student needs, varying funding and staffing structures has led to uneven support for our students in different disciplines, with many turning to external tutoring services of unreliable quality. While learning developers may be limited to their own education and experience, we are uniquely positioned as experts in teaching and learning: we may not always know the ins and outs of what students need to study, but we have valuable insights in how to do so. Over the past several years, we have built a curriculum of modules supporting effective and ethical peer-to-peer learning, based on strategies that are core to a learning developer’s work. Upon completing the University of Toronto Tutor Training Program, or UT3, and after securing the reference of a postsecondary subject matter expert, academically successful students are enabled to bring their discipline-specific knowledge to others as independent contractors on our Tutor Directory. With this combination of training and directory, we have built a new marketplace for all undergraduate students to find trustworthy tutors, and for our trainees to make money by supporting their peers. This presentation spotlighted the development and launch of the UT3, including the initial needs analysis and consultations, the creation of our curriculum, and our progress in training students to enable hundreds of tutoring sessions since our launch.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,004 | 0,039 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,007 |
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 ».