Motivating Student Effort: Designing Course Assessments in the Presence of Students’ Biased Beliefs
Notice bibliographique
Résumé
In my thesis, I investigate the impact of assessment design on student decision-making in the context of a second-year economics course. I begin by estimating the effect of studying on grades, then estimate what students believe are the returns to studying on grades, and also estimate how quickly students update their beliefs about their ability. I combine the components to develop a model of student test-taking to answer questions about how best to design assessments in a course with relative grading. In the first chapter, as part of a joint project with Marc-Antoine Chatelain, Enhua Hu and Xiner Xu, I use novel high-frequency data collected from a competitive large course setting to estimate a structural model determining the transformation from study effort to test grades. I find that returns to study effort are relatively concave, implying that returns to studying fall off as study hours per week increase. In the second chapter, I first derive students' beliefs about their returns to studying, and then estimate their capacity to update under a Biased Bayesian framework. I find that students overestimate their returns to studying, and that students vastly under-react to test grades when updating. I then develop, and simulate, a dynamic model of student study effort where students exert costly effort to earn test grades centered around a target average. Between tests, students update their beliefs about their ability. In the third chapter, I simulate counterfactuals using the model. There are two sets of counterfactuals: decomposition counterfactuals, which analyze the effect of behavioral biases on behavior; and assessment design counterfactuals, which analyze how changing the structure of a course can affect learning and welfare. The Counterfactuals suggest that biased perceptions contribute to large increases in study effort, implying that the phenomenon exerts a positive influence regarding knowledge acquisition. In addition, assessment design counterfactuals suggest that having more tests, and more objective tests positively contributes to student learning.
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».