Les facteurs de subjectivité inhérents à l'évaluation d'un apprentissage pratique dans une relation superviseur-stagiaire
Bibliographic record
Abstract
L'évaluation en éducation est souvent teintée de subjectivité, particulièrement quand on évalue l'apprentissage d'un étudiant. Cet étudiant, au cours de sa formation ou au terme d'un programme d'études, a à faire ses preuves; il doit se conformer à des objectifs, il doit démontrer une compétence attendue. De son côté, l'évaluateur, qui déjà possède cette même compétence, se fixe des critères; certains de ces critères sont objectifs, d'autres plus subjectifs, certains sont d'ordre cognitif, d'autres purement affectifs. Mais que se passe-t-il lorsque cette subjectivité, avouée ou pas, influence l'évaluation qui est faite de l'apprentissage d'un étudiant donné? Se peut-il que certains étudiants soient favorisés au détriment d'autres tout aussi compétents par ailleurs? Se peut-il qu'il y ait une interaction "Juge-étudiant" qui influence le résultat final? Il ne s'agit pas ici d'une interaction comme celle qui s'établit dans une communication interpersonnelle mais plutôt d'une interaction d'ordre statistique qui déborde les simples notions de "sévérité" et de "différences en degré de sévérité" entre plusieurs évaluateurs. L'existence de différences en degré de sévérité est bien connue dans le domaine de l'évaluation de certaines compétences et a servi à décrire le phénomène de la subjectivité des évaluations. Pour l'évaluation de certaines compétences pratiques, ces différences en degré de sévérité sont-elles les mêmes pour tous les étudiants? Cette question apparaît avoir été quelque peu négligée par la recherche. Voilà pourquoi nous tentons de cerner cette subjectivité présente dans l'évaluation de l'apprentissage d'un étudiant, de l'expliquer et de proposer un plan d'action pour mieux la contrôler. Le type d'apprentissage qui est évalué ici est, comme nous venons de le mentionner, un apprentissage pratique. Il fait référence à la formation par stage que reçoivent les étudiants de premier cycle en Service Social de l'Université Laval. Dans ce contexte très particulier, les évaluateurs sont des praticiens travaillant au sein des organismes de stage et non des professeurs. Par conséquent nous faisons le postulat qu'il y a autant de façons d'évaluer qu'il y a de superviseurs, d'organismes de stage, de champs de pratique différents, etc... Afin de définir ce qu'est cette subjectivité que nous appelons interaction statistique "Juge-étudiant", nous débutons par un tour d'horizon des erreurs de mesure en évaluation. Dans un second chapitre, nous tentons de dégager une explication théorique de cette interaction, en l'analysant sous l'angle de différents modèles pédagogiques ("pairing”, "modeling" ,...). Notre choix d'explication théorique étant fait, on présente, dans un troisième chapitre, les relations anticipées entre les variables à l'étude. Ces variables, une fois opérationnalisées, prennent la forme d'hypothèses. Le quatrième chapitre traite spécifiquement de la méthodologie qui sous-tend le traitement, l'analyse et l'interprétation des données, ce dont il est question dans le cinquième et dernier chapitre. La synthèse et la conclusion de cette recherche, visent à intégrer les éléments significatifs recueillis en cours d'expérimentation et à leur donner un sens en terme d'action ou de planification future, eu égard à l'évaluation d'un stage pratique en Service Social. Ainsi, nous espérons jeter un éclairage nouveau en ce qui concerne cette question épineuse qu'est l'évaluation d'un apprentissage pratique. Par la même occasion, nous pourrons peut-être identifier une nouvelle forme d'erreur, "l'interaction statistique" et voir comment elle agit et par conséquent comment la contrôler. Il faut avouer que le domaine des erreurs de mesure dans l'évaluation en sciences humaines a été peu fouillé, et cette remarque se renforce lorsque l'on y implique des relations entre personnes, car, non seulement on peut se pencher sur la relation "Juge-étudiant", mais, par surcroît, le comportement à évaluer ou la compétence attendue implique une relation entre un intervenant (étudiant) et un client. Bref, cette recherche tente d'apporter des réponses à des problèmes pratiques d'évaluation, mais elle soulèvera sûrement de nouvelles interrogations.
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 | 0.011 | 0.070 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".