Implementation of Student Course Evaluation: Pandemic Impact on the Non-Constraint Engagement (NCE) Model
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
Traditionally, students’ feedback in the form of Student Course Evaluation (SCE) has been paper-based and made mandatory on students. Even when SCE is made online and voluntary, one major obstacle is low response rate. The Non-Constraint Engagement (NCE) Model is a newly introduced method in enhancing SCE in our institution, that attempts to overcome the common limitations of SCE. This study aims to examine the stability and sustainability of the NCE model implementation before, during and after the peak of the first wave of the COVID-19 pandemic in the Canadian University Dubai (CUD). The NCE Model was initially piloted between 2014 and 2015 and was found to be effective. To test its feasibility and sustainability over a longer period of time, an SCE exercise was implemented among undergraduate students across four faculties. For analysis, we used SCE data from 2015 to 2021. Evaluations were performed via Moodle in the online Learning Management System (LMS) before mid-term of each semester. There were two domains of SCE: course rating and instructor rating. Results showed acceptable and stable response rates, despite SCE being voluntary. The COVID-19 pandemic did not cause a fall in student participation. Instead, following the outbreak arrival, there was a sharp increase in SCE response rates. Similarly, students’ rating on their courses and instructors remains high despite the massive, sudden change from physical to online instruction. This study introduces a new approach, the NCE model, which can be tested in other educational settings to enhance SCE.
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 | 0,003 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,104 | 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 découle