Comparaison de trois systèmes d’évaluation des enseignements par les étudiants et leurs effets sur le développement professionnel des enseignants
Bibliographic record
Abstract
Une approche privilégiée par diverses institutions d’enseignement supérieur pour améliorer la qualité de l’enseignement et, ultimement, l’expérience d’apprentissage des étudiants est l’évaluation des enseignements par ces derniers (EEE). Toutefois, une telle démarche n’est pas automatiquement synonyme d’amélioration de la qualité de l’enseignement (Bernard, Postiaux, & Salcin, 2000). Partant de cette constatation, nous tenterons de dégager des pistes favorisant une utilisation effective des résultats d’évaluation à des fins de développement professionnel. Pour atteindre cet objectif nous procéderons principalement à une comparaison des systèmes d'EEE de trois institutions d'enseignement supérieur européennes : l'Université de Lausanne en Suisse (UNIL), l'Université catholique de Louvain en Belgique (UCL) et l'Université de Bourgogne en France (UB). Cette comparaison portera d’abord, sur les politiques et les pratiques de l’EEE des trois établissements, ceci grâce à un outil mis au point par l'UNIL, l'UCL et l'Université de McGill (Berthiaume, Lanarès, Jacqmot, Winer & Rochat, 2010). Nous nous pencherons ensuite sur des données quantitatives et qualitatives recueillies auprès de responsables d’évaluation, d‘enseignants et d’étudiants pour tenter de mesurer et comparer les impacts des trois systèmes sur le développement professionnel des enseignants et la qualité de l'enseignement.
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 | 0.087 | 0.169 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.010 | 0.011 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".