Notice bibliographique
Résumé
As we move towards Precision Medicine, we should also move towards Precision Education, using data science approaches to improve our processes and learner outcomes. This is the purpose of PiHPES: Precision in Health Professional Education Scholarship. This is consistent with the general call-to-arms as presented in the provincial document on Precision Health for Alberta. Central to this project is the extensive use of activity metrics across a range of educational platforms, applications and services. Activity streams are not new and are central to data science where you want to assess what your users do and how your products perform. In education, there have been previous attempts to track learner progress across applications. The most well known is SCORM, which proved to be both rigid and limited, with little more data on user performance than a course pass mark. PiHPES is focused on a more granular approach to activity metrics based on Learning Record Stores (LRS) and the xAPI protocols. Overall, a lot has been achieved in PiHPES, with many of its deliverables and milestones successfully passed. This will be summarized below. The most striking conclusion from all that happened is that the University of Calgary demonstrates a worryingly low state of organizational readiness to apply data science principles and techniques in educational programming. We have not widely publicized PiHPES or its resulting outputs because of several limiting factors. These will also be detailed below but can be summarized as lacking a nice simple example of how this approach works. While we have made a lot of progress, there is not a simple one-pager that we can point to that shows the advantages to a busy educator. We have successfully implemented most of the applications, tools and integrations that we had planned. We are able to store a range of activity metrics in several Learning Record Stores. We have been able to link between these LRSs and conduct useful analyses that were previously unavailable from a single application. This approach, using data science principles, has huge potential for improving educational processes and outcomes. We are keen to explore such analysis further with interested user groups. This will enable us to flesh out the usability and utility aspects of PiHPES. Those who are interested in looking at combining clinical data with educational data will want to look at this following section, where we have developed some unique approaches.
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 | 0,024 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,302 | 0,188 |
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 ».