Come avviare un programma di Faculty Development: l’esperienza dell’Universita di Genova
Notice bibliographique
Résumé
Questo lavoro confronta le iniziative intraprese dall’Università di Genova con le fasi raccomandate in letteratura per avviare un programma di Faculty Development, al fine di verificare quali siano i punti di somiglianza e di differenza. Il riferimento è il lavoro di Ivan Silver dell’Università di Toronto che indica, sulla base dei lavori di Steinert, Steinert e Mann, e Wilkerson, quali siano le 16 fasi da seguire per avviare un programma di Faculty Development. L’Università di Genova ha avviato il Faculty Development nel 2016 creando con decreto rettorale il Gruppo di lavoro sulle tecniche di Insegnamento e di apprendimento (G.L.I.A.). Gli scopi erano favorire la riflessione sulle pratiche didattiche dei docenti di UniGe e sviluppare strategie di sostegno alla professionalità docente nell’ottica della creazione di un futuro Teaching and Learning Center di Ateneo. Le attività sono state seminari, workshop, corsi lunghi longitudinali, comunità di pratica, webinar, peer observation, consulenza a singoli e a gruppi di docenti impegnanti nella didattica universitaria innovativa. Alla luce delle 16 fasi, raccomandate da Ivan Silver, appare che l’Università di Genova abbia in effetti aderito alla maggioranza di esse, trascurando solo la creazione di una lista di prodotti strategici (deliverables), lo sviluppo di un piano di valutazione e un programma di scholarship. Su questi tre punti l’Università si sta impegnando per il prossimo anno accademico. Concludendo, si può affermare che la lista delle raccomandazioni di Silver è condivisibile ed utile per l’avvio di un programma di Faculty Development e come strumento di autovalutazione.
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 ».