Critères d'évaluation des travaux d'étudiants en formation à l'enseignement
Bibliographic record
Abstract
L’évaluation critériée a pris beaucoup d’expansion au cours des dernières années. Toutefois, les critères d’évaluation sont parfois employés à l’encontre des recommandations des experts. Cette étude a pour but d’explorer l’utilisation peu documentée de critères d’évaluation par les professeurs universitaires à la formation à l’enseignement. Une analyse qualitative basée sur des entrevues, des protocoles oraux et des analyses de documents a permis d’identifier les critères présents dans le processus d’évaluation de quatre professeurs. D'une part, des critères d’évaluation propres à chaque participant et d’autre part 7 critères présents chez 3 participants ou plus ont été identifiés ainsi qu’un seul critère implicite. Cependant, les critères d’évaluation identifiés ne se limitent pas tous à l’évaluation du rendement scolaire. La présence de documents facultaires a eu un impact sur les résultats. Cette étude a aussi décelé de nouvelles problématiques à explorer comme les influences dans l’utilisation des critères et l’appréciation des travaux eux-mêmes.
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 | 0.063 | 0.116 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.018 | 0.019 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.021 | 0.007 |
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".