Students as Informants: Methodological Considerations in Education Agent Research
Notice bibliographique
Résumé
Education agents serve an important role in assisting and facilitating prospective international students in their information seeking and application processes (Yang et al., 2020).Across the globe, education institutions and prospective students contract agents in order to simplify the complex process of navigating a range of study opportunities and formal processes (BUILA, 2021; Nikula et al., 2023).Many institutions and students appear satisfied with the services provided by agents (BUILA, 2021;Huang et al., 2022;QUILT, 2024;Roy, 2017).However, actors operating in this industry have also been reported to behave in an unethical manner.Examples of such behaviours range from providing students with false information, overpromising, forging documents, writing personal letters on behalf of students, and other unwanted behaviours (Fittante, 2023;Ghosh & Garrison, 2024;Nikula & Kivist, 2020; Parliamentary Joint Committee, 2023).This type of misconduct has made the use of agents controversial and has prompted calls for stronger quality assurance mechanisms and more robust evidence to identify which agents are reliable partners (Nikula et al., 2023).To achieve this, the student perspective is essential, but collecting it presents several methodological challenges (Nikula et al., 2025).This article examines these methodological issues in light of our previous and ongoing research. Which Types of Agents?The word 'agent' can be used to refer to a range of actors such as university-contracted education agents, independent education counsellors, and migration agents (Nikula et al., 2023; 2025;Roy, 2017).These actors serve somewhat overlapping, but also distinct functions.They
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 | 0,003 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».