Assessment Activities in a Distance Teaching University
Notice bibliographique
Résumé
Distance teaching has been growing continuously for several years and accelerated with the COVID-19 pandemic. This has led to many educators re-evaluating how they assess their students’ learning. \n \nFor fifty years, TELUQ University has been a leading institution in distance teaching in Canada. Since its founding in 1972, TELUQ’s multidisciplinary teams and pedagogical design processes of courses have allowed the implementation of various assessments and digital tools. \n \nHow students’ learning is assessed at TELUQ University? The purpose of this presentation is to share findings related to data collection conducted through 175 online courses at TELUQ University. To this end, 937 assessment activities were analyzed using an analysis tool developed by Gérin-Lajoie, Beaupré, Contamines, Hébert, and Paquette-Côté (2020) which provides a detailed characterization of 20 components of assessment activities. \n \nA compilation of the data for each variable analyzed revealed, among others, that very few assessment activities were diagnostic (2%). It was also found that almost all assessment activities were carried out individually by the students (99.8%) and that the product was more frequently assessed (89%) than the process. Furthermore, automated scoring was used in only 7% of the 937 assessment activities. \n \nThe results of this study could certainly be of interest to the community of both researchers and teachers working in distance teaching. The latter will certainly find in this inventory something to think about in their assessment activities and consider new approaches in these times of rapid educational changes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».