L’impact de l’évaluation à distance sur les résultats scolaires et la persévérance des étudiants à l’enseignement supérieur
Bibliographic record
Abstract
Au Canada, la pandémie de Covid-19 a soulevé une foule de questions chez les enseignants qui ont dû se tourner vers l’évaluation à distance. Afin de les inspirer, notre équipe a catégorisé les activités d’évaluation à l’Université TÉLUQ. Pour ce faire, plus de 3 000 d’entre elles ont été analysées à l’aide d’un outil d’analyse développé par Gérin-Lajoie et al. (2020) qui permet de caractériser 20 composantes des activités d’évaluation. Parmi ces activités d’évaluation, nous savons entre autres que : 1) les exercices et les examens sont les activités d’évaluation les plus fréquentes, 2) les activités d’évaluation comprennent principalement des consignes en format texte sur le site web du cours, 3) les enseignants offrent surtout un soutien à la demande à leurs étudiants, 4) la rétroaction est essentiellement donnée aux étudiants sous forme de texte. Néanmoins, deux questions importantes demeurent et feront l’objet de cette communication. Certaines activités d’évaluation conduisent-elles les étudiants à de meilleurs résultats scolaires ? Existe-t-il des activités d’évaluation qui les amènent à persévérer davantage dans leurs études ? C’est à ces questions que nous répondrons dans le cadre de cette communication afin d’inspirer les participants dans la mise en place de leurs propres activités d’évaluation.
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 | 0.092 | 0.214 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.004 |
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".