Enjeux et défis de l’évaluation longitudinale : quelques pistes de réflexion préalables à son implantation
Bibliographic record
Abstract
Contexte et problématique : La formation de futurs professionnels de la santé compétents est une préoccupation importante pour tous les membres de la communauté en pédagogie des sciences de la santé. À cet effet, on accorde beaucoup d’importance à l’évaluation comme agent régulateur de l’accès aux professions. En lien avec la perspective de l’approche par compétences, l’idée de structurer l’évaluation de façon longitudinale, autour des trajectoires de développement professionnelles, apparaît d’une grande pertinence. Exégèse : L’évaluation longitudinale fait référence à toutes les évaluations mises en place pour documenter le rendement et le progrès des apprenants selon une trajectoire de développement préétablie. Les éducateurs et chercheurs qui prônent l’implantation de l’évaluation longitudinale dans des programmes qui préparent à la pratique des professions en santé y voient de multiples avantages, parmi lesquels la facilitation de la rétroaction qui pourrait être plus authentique, une identification précoce des apprenants en difficulté et une augmentation de l’autonomie des apprenants dans leurs développements. Cependant, les preuves qui soutiennent les retombées positives associées à l’évaluation longitudinale sont « faibles » pour ne pas dire manquantes. Conclusion : Il est essentiel, en tant que communauté, de documenter les effets et l’impact de l’évaluation longitudinale de façon plus systématique, structurée et rigoureuse.
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 | 0.627 | 0.729 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.008 | 0.021 |
| Scholarly communication | 0.020 | 0.029 |
| Open science | 0.005 | 0.011 |
| Research integrity | 0.005 | 0.009 |
| 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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".