Facilitating a “Last Class Workshop” – A tool for course evaluation and evolution
Notice bibliographique
Résumé
Recognizing that the last session of class at the end of term is often not very materially productive, we searched for a way to make this last class meaningful and functional. In this presentation, we describe our implementation of and research surrounding a workshop oriented towards obtaining real-time course evaluations, and driving course evolution (Bleicher, 2011).\nDuring this session we will describe models of the “Last Class Workshop” for in-person learning as well as both synchronous and asynchronous online learning environments, alongside data speaking to its success in these environments (Styles & Polvi 2022). We will describe the preparative work required of students and instructors. The success of the “Last Class Workshop” depends on the openness of the facilitator to accepting feedback of all types, and on the active engagement and deliberate self-reflection of students (Bovill et al., 2011, Pintrich, 2004), and much of the preparation before the session is oriented towards appropriately framing it for success in these areas. We’ll invite the audience to participate in a mock mini-workshop to illustrate the dynamics and utility of this tool.\nFundamentally, the “Last Class Workshop” is built on the idea that the students themselves are the best source of constructive critique, innovative adaptations, and meaningful updates in a course. It is not difficult to implement, has a noticeable impact on participants, and can provide transformative feedback.\nThis research was approved by the University of Toronto Research Ethics Board Protocol #42582 and #40718.
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 | 0,045 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,014 |
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 ».