MétaCan
Menu
← Retour à la cohorte
Enregistrement W6992391144

Les facteurs de subjectivité inhérents à l'évaluation d'un apprentissage pratique dans une relation superviseur-stagiaire

2018· other· fr· W6992391144 sur OpenAlexaboutno aff

Notice bibliographique

RevueCorpus Université Laval (Université Laval) · 2018
Typeother
Languefr
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIdentity (music)Context (archaeology)Derogation
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

L'évaluation en éducation est souvent teintée de subjectivité, particulièrement quand on évalue l'apprentissage d'un étudiant. Cet étudiant, au cours de sa formation ou au terme d'un programme d'études, a à faire ses preuves; il doit se conformer à des objectifs, il doit démontrer une compétence attendue. De son côté, l'évaluateur, qui déjà possède cette même compétence, se fixe des critères; certains de ces critères sont objectifs, d'autres plus subjectifs, certains sont d'ordre cognitif, d'autres purement affectifs. Mais que se passe-t-il lorsque cette subjectivité, avouée ou pas, influence l'évaluation qui est faite de l'apprentissage d'un étudiant donné? Se peut-il que certains étudiants soient favorisés au détriment d'autres tout aussi compétents par ailleurs? Se peut-il qu'il y ait une interaction "Juge-étudiant" qui influence le résultat final? Il ne s'agit pas ici d'une interaction comme celle qui s'établit dans une communication interpersonnelle mais plutôt d'une interaction d'ordre statistique qui déborde les simples notions de "sévérité" et de "différences en degré de sévérité" entre plusieurs évaluateurs. L'existence de différences en degré de sévérité est bien connue dans le domaine de l'évaluation de certaines compétences et a servi à décrire le phénomène de la subjectivité des évaluations. Pour l'évaluation de certaines compétences pratiques, ces différences en degré de sévérité sont-elles les mêmes pour tous les étudiants? Cette question apparaît avoir été quelque peu négligée par la recherche. Voilà pourquoi nous tentons de cerner cette subjectivité présente dans l'évaluation de l'apprentissage d'un étudiant, de l'expliquer et de proposer un plan d'action pour mieux la contrôler. Le type d'apprentissage qui est évalué ici est, comme nous venons de le mentionner, un apprentissage pratique. Il fait référence à la formation par stage que reçoivent les étudiants de premier cycle en Service Social de l'Université Laval. Dans ce contexte très particulier, les évaluateurs sont des praticiens travaillant au sein des organismes de stage et non des professeurs. Par conséquent nous faisons le postulat qu'il y a autant de façons d'évaluer qu'il y a de superviseurs, d'organismes de stage, de champs de pratique différents, etc... Afin de définir ce qu'est cette subjectivité que nous appelons interaction statistique "Juge-étudiant", nous débutons par un tour d'horizon des erreurs de mesure en évaluation. Dans un second chapitre, nous tentons de dégager une explication théorique de cette interaction, en l'analysant sous l'angle de différents modèles pédagogiques ("pairing”, "modeling" ,...). Notre choix d'explication théorique étant fait, on présente, dans un troisième chapitre, les relations anticipées entre les variables à l'étude. Ces variables, une fois opérationnalisées, prennent la forme d'hypothèses. Le quatrième chapitre traite spécifiquement de la méthodologie qui sous-tend le traitement, l'analyse et l'interprétation des données, ce dont il est question dans le cinquième et dernier chapitre. La synthèse et la conclusion de cette recherche, visent à intégrer les éléments significatifs recueillis en cours d'expérimentation et à leur donner un sens en terme d'action ou de planification future, eu égard à l'évaluation d'un stage pratique en Service Social. Ainsi, nous espérons jeter un éclairage nouveau en ce qui concerne cette question épineuse qu'est l'évaluation d'un apprentissage pratique. Par la même occasion, nous pourrons peut-être identifier une nouvelle forme d'erreur, "l'interaction statistique" et voir comment elle agit et par conséquent comment la contrôler. Il faut avouer que le domaine des erreurs de mesure dans l'évaluation en sciences humaines a été peu fouillé, et cette remarque se renforce lorsque l'on y implique des relations entre personnes, car, non seulement on peut se pencher sur la relation "Juge-étudiant", mais, par surcroît, le comportement à évaluer ou la compétence attendue implique une relation entre un intervenant (étudiant) et un client. Bref, cette recherche tente d'apporter des réponses à des problèmes pratiques d'évaluation, mais elle soulèvera sûrement de nouvelles interrogations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,070
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,070
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,003
Études des sciences et des technologies0,0020,005
Communication savante0,0080,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,210
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCorpus Université Laval (Université Laval)→Travaux en français237 207→