Comparaison de trois systèmes d’évaluation des enseignements par les étudiants et leurs effets sur le développement professionnel des enseignants
Notice bibliographique
Résumé
Une approche privilégiée par diverses institutions d’enseignement supérieur pour améliorer la qualité de l’enseignement et, ultimement, l’expérience d’apprentissage des étudiants est l’évaluation des enseignements par ces derniers (EEE). Toutefois, une telle démarche n’est pas automatiquement synonyme d’amélioration de la qualité de l’enseignement (Bernard, Postiaux, & Salcin, 2000). Partant de cette constatation, nous tenterons de dégager des pistes favorisant une utilisation effective des résultats d’évaluation à des fins de développement professionnel. Pour atteindre cet objectif nous procéderons principalement à une comparaison des systèmes d'EEE de trois institutions d'enseignement supérieur européennes : l'Université de Lausanne en Suisse (UNIL), l'Université catholique de Louvain en Belgique (UCL) et l'Université de Bourgogne en France (UB). Cette comparaison portera d’abord, sur les politiques et les pratiques de l’EEE des trois établissements, ceci grâce à un outil mis au point par l'UNIL, l'UCL et l'Université de McGill (Berthiaume, Lanarès, Jacqmot, Winer & Rochat, 2010). Nous nous pencherons ensuite sur des données quantitatives et qualitatives recueillies auprès de responsables d’évaluation, d‘enseignants et d’étudiants pour tenter de mesurer et comparer les impacts des trois systèmes sur le développement professionnel des enseignants et la qualité de l'enseignement.
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 | 0,087 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».