Le caractère formatif d’un dispositif d’évaluation des enseignements par les étudiants (EEE) : une analyse de l’utilité des questionnements pour une démarche réflexive
Bibliographic record
Abstract
Cet article examine un dispositif d’évaluation des enseignements par les étudiants (EEE) en analysant les choix des équipes pédagogiques concernant les questionnaires qu’elles conçoivent. Cette étude est menée afin d’étudier la place possible de l’EEE dans le cadre de l’évaluation-conseil. En effet, pour que l’EEE soit utile aux enseignants, il convient que les questions posées aux étudiants permettent aux enseignants comme aux professionnels de l’accompagnement de s’inscrire dans une logique d’évaluation-conseil. Les résultats montrent leur intérêt dans ce cadre en fournissant aux enseignants des données qui leur permettent de conforter ou de modifier leurs enseignements. Ils soulignent également l’absence de recueil de données en lien avec certaines dimensions de la relation pédagogique (notamment les difficultés étudiantes et les interactions enseignant-étudiant), ce qui pose la question de la perception de l’enseignement chez les enseignants-chercheurs en France.
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 | 0.118 | 0.225 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".