Les effets de l’EEE sur le développement professionnel des enseignants et l’expérience d’apprentissage des étudiants
Bibliographic record
Abstract
En suisse, les institutions d’enseignement supérieur disposent d’une autonomie importante pour implémenter leur modèle d’évaluation des enseignements par les étudiants (EEE). Certaines, comme l’Université de Lausanne, ont opté pour des modèles minimisant la part de contrôle ; d’autres, comme la Haute école d'ingénierie et de gestion du Canton de Vaud, ont préféré contrôler davantage la prestation enseignante. L’espace suisse de l’enseignement supérieur constitue donc un terrain de recherche intéressant pour s’interroger sur les impacts de l’EEE. Dans le présent travail, les auteurs ont opté pour une étude de cas mobilisant des données quantitatives et qualitatives afin de chercher à comprendre si l’impact sur le développement professionnel des enseignants et l’expérience d’apprentissage des étudiants diffère selon le modèle d’EEE utilisé. sur la base des résultats, les auteurs débattront du développement professionnel des enseignants et de l’expérience d’apprentissage des étudiants en lien avec l’EEE, puis concluront avec quelques perspectives de recherches futures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.026 | 0.091 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".