Presentation on Peer Mentorship
Notice bibliographique
Résumé
According to Statistics Canada, over 2.1 million students enrolled in Canadian public universities and colleges for the 2017/2018 academic year (Stat Can, 2020). From a global perspective, this number is astronomical. Reports indicate that during this same time period, Canada was the most educated country in the world, with over 56-percent of adults aged 25-64 having been educated at the post-secondary level (CNBC, 2018). This, of course, is a great achievement for Canada, however one unfortunate biproduct of having such a large population of enrolled students is that the number of students who do not reach graduation is also relatively high. In 2018, Maclean’s ranked the top 49 universities in Canada by degree completion rates (Maclean’s, 2018). The magazine found that only six out of the 49 universities studied had degree completion rates of 80-percent or greater. Worse yet, the average completion rate for all 49 universities listed was only 71.3-percent. That remaining 28.7-percent represents hundreds of thousands of students annually who will experience the financial and psychosocial repercussions associated with ‘dropping out’. This is not only disadvantageous for these individuals, but for Canada’s workforce as well, due to the loss of many specialized workers. Peer mentorship programs have been presented as a cost-effective solution to this problem, however more research is required in terms of design, implementation, and evaluation of outcomes. Our study will seek to help close these gaps.
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 | 0,006 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,408 | 0,177 |
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 ».