L’impact de l’évaluation à distance sur les résultats scolaires et la persévérance des étudiants à l’enseignement supérieur
Notice bibliographique
Résumé
Au Canada, la pandémie de Covid-19 a soulevé une foule de questions chez les enseignants qui ont dû se tourner vers l’évaluation à distance. Afin de les inspirer, notre équipe a catégorisé les activités d’évaluation à l’Université TÉLUQ. Pour ce faire, plus de 3 000 d’entre elles ont été analysées à l’aide d’un outil d’analyse développé par Gérin-Lajoie et al. (2020) qui permet de caractériser 20 composantes des activités d’évaluation. Parmi ces activités d’évaluation, nous savons entre autres que : 1) les exercices et les examens sont les activités d’évaluation les plus fréquentes, 2) les activités d’évaluation comprennent principalement des consignes en format texte sur le site web du cours, 3) les enseignants offrent surtout un soutien à la demande à leurs étudiants, 4) la rétroaction est essentiellement donnée aux étudiants sous forme de texte. Néanmoins, deux questions importantes demeurent et feront l’objet de cette communication. Certaines activités d’évaluation conduisent-elles les étudiants à de meilleurs résultats scolaires ? Existe-t-il des activités d’évaluation qui les amènent à persévérer davantage dans leurs études ? C’est à ces questions que nous répondrons dans le cadre de cette communication afin d’inspirer les participants dans la mise en place de leurs propres activités d’évaluation.
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 | 0,092 | 0,214 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,013 | 0,007 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
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 ».