Come avviare un programma di Faculty Development: l’esperienza dell’Universita di Genova
Bibliographic record
Abstract
Questo lavoro confronta le iniziative intraprese dall’Università di Genova con le fasi raccomandate in letteratura per avviare un programma di Faculty Development, al fine di verificare quali siano i punti di somiglianza e di differenza. Il riferimento è il lavoro di Ivan Silver dell’Università di Toronto che indica, sulla base dei lavori di Steinert, Steinert e Mann, e Wilkerson, quali siano le 16 fasi da seguire per avviare un programma di Faculty Development. L’Università di Genova ha avviato il Faculty Development nel 2016 creando con decreto rettorale il Gruppo di lavoro sulle tecniche di Insegnamento e di apprendimento (G.L.I.A.). Gli scopi erano favorire la riflessione sulle pratiche didattiche dei docenti di UniGe e sviluppare strategie di sostegno alla professionalità docente nell’ottica della creazione di un futuro Teaching and Learning Center di Ateneo. Le attività sono state seminari, workshop, corsi lunghi longitudinali, comunità di pratica, webinar, peer observation, consulenza a singoli e a gruppi di docenti impegnanti nella didattica universitaria innovativa. Alla luce delle 16 fasi, raccomandate da Ivan Silver, appare che l’Università di Genova abbia in effetti aderito alla maggioranza di esse, trascurando solo la creazione di una lista di prodotti strategici (deliverables), lo sviluppo di un piano di valutazione e un programma di scholarship. Su questi tre punti l’Università si sta impegnando per il prossimo anno accademico. Concludendo, si può affermare che la lista delle raccomandazioni di Silver è condivisibile ed utile per l’avvio di un programma di Faculty Development e come strumento di autovalutazione.
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 | 0.010 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
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".