Hvordan indgår undervisningsportfolio i bedømmelse af ansøgere til videnskabelige stillinger ved universitetet?
Bibliographic record
Abstract
Det er en udbredt forestilling, at forskningskompetence og videnskabelig produktion vejer tungere end undervisningskompetencer ved ansættelse af videnskabeligt personale ved universiteterne. Bl.a. af denne grund stilles der i stigende grad krav til medsendelse af undervisningsportfolio til dokumentation af undervisningskompetence ved de danske universiteter, og siden 2011 også ved Københavns universitet. Dette er sket i Danmark i lighed med lande som Sverige, Holland, Canada og Australien. Der er imidlertid ikke lavet systematiske undersøgelser af hvordan vurdering af undervisningskompetencer indgår i bedømmelse ved ansættelser ved danske universiteter, og de internationale erfaringer er også sparsomme. Dette kvalitative studie har til formål at afdække hvordan praksis er for vurdering af undervisnings¬kompetencer på Københavns Universitet. Metode I dette studie vil vi alene fokusere på de interne bedømmere i bedømmelsesudvalgene, mens det overordnede studie også vil inkludere eksterne bedømmere og ansøgere. Interviewpersonerne udvælges på tværs af fakulteter. Interviewene gennemføres som individuelle semi-strukturerede interviews med fokus på specifikke bedømmelsesudvalgsarbejder. Interviewene indledes med generelle spørgsmål til bedømmelsesarbejdet og på vægtningen mellem undervisning og forskning, og herefter drøftes den funktion de fælles retningslinjer for portfolio har i det konkrete arbejde med vurdering af undervisningsportfolioer. Analysen vil fokusere på deltagernes karakteristik af det Teaching and Learning Regime (Trowler & Coopers, 2010) de indgår i, deres oplevelse af de undervisningsportfolioer de har skullet tage stilling til, samt deres oplevelse af funktionen af de fælles retningslinjer for portfolio i fm. ansættelser. Vi vil bruge Star og Griesemers (1989) begreb om ”boundary objects” i analysen af retningslinjernes funktion. Resultater I oplægget vil vi fremlægge resultater af interviewundersøgelsen, og drøfte den funktion retningslinjerne spiller for bedømmere og ansøgere til videnskabelige stillinger. Referencer Star, S.L. & Griesemer, J.R. (1989) Institutional Ecology, 'Translations' and Boundary Objects: Amateurs and Professionals in Berkeley's Museum of Vertebrate Zoology, 1907-37. Social Studies of Science 19(3). Trowler, P. & Cooper, A. (2002) Teaching and Learning Regimes: Implicit theories and recurrent practices in the enhancement of teaching and learning through educational development programmes. Higher Education Research & Development 21(3).
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 | 0.008 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.020 | 0.011 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.085 | 0.029 |
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".