Frequent, low-stakes assessments: Balance and benefits
Notice bibliographique
Résumé
COVID-19 prompted a shift in post-secondary education from largely co-operative face-to-face instruction to almost complete isolation with online learning. Within this transition, there was an increased recommendation for instructors to incorporate frequent, low-stakes assessments into their online practice. Frequent low-stakes assessments are assessments designed with the intention to increase student engagement and stimulate self-guided learning, benefits that would have been crucial during this independent learning period. However, this recommendation provided little specifics on criteria to design and implement these assessments. This lack of specifics, combined with a lack of SoTL literature on these assessments, prompted instructors to produce their own individual versions and applications of frequent, low-stakes assessments for their online practice. We’ve since transitioned back to instruction with mostly in-person elements, but the effect of these ambiguous instructions persist. The perception of frequent, low-stakes assessments and their usage differs among all instructors, consequently causing students to experience multiple versions of assessments per-week per-course. This experience has led to students becoming overwhelmed with an increased workload and an overall contradiction of the intended benefits of frequent low-stakes assessments. To address this concern, this project aims to gather institutional data and stakeholders’ (students and instructors) opinions to create an operational definition of frequent, low-stakes assessments, i.e. inform on strategies to implement these assessments into a balanced workload while preserving the intended benefits. This talk will specifically explore data gathered from Canadian institutional Offices of Teaching and Learning (or equivalent) on the regulations for the design and implementation of frequent, low-stakes assessments. The overall goal of this collection is to create a consensus of Canadian institutional criteria, that will then be merged with stakeholder data to create an operational definition.
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 | 0,066 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».