Évaluation des compétences dans le cadre du nouveau programme de doctorat de premier cycle en pharmacie de l’Université Laval
Bibliographic record
Abstract
Objectif : Présenter l'expérience de l'évaluation des compétences à l'aide de la formation « Rendre-compte » dans le cadre du programme de doctorat de premier cycle en pharmacie de l'Université Laval depuis sa mise en œuvre. \nMise en contexte : Le programme de doctorat de premier cycle en pharmacie de l'Université Laval s'articule autour du développement de cinq compétences et de quatorze qualités professionnelles (postures). Au terme de chaque année, l'étudiant doit démontrer qu'il a atteint le degré attendu de développement de compétences et de prise en compte des postures. Cette évaluation a lieu dans le cadre du cours « Rendre-compte ». \nRésultats : L'évaluation du degré d'acquisition des compétences dans le cadre du cours « Rendre-compte » depuis l'implantation du doctorat de premier cycle en pharmacie en 2011 est présentée. Les données colligées portent sur les résultats des étudiants et les ressources matérielles et humaines mises en place. Le taux de succès est élevé, mais certains étudiants ne sont pas en mesure de démontrer qu'ils ont atteint le degré d'acquisition des compétences souhaité. Comme cette démonstration est essentielle à la poursuite des études et à l'obtention du diplôme, il arrive que certains étudiants se retrouvent exclus du programme. Pour réintégrer le programme, ils doivent réussir une activité de remédiation. L'échec à ce plan de rattrapage amène l'exclusion définitive du programme. \nDiscussion : Le processus « Rendre-compte » permet à l'étudiant de démontrer qu'il a atteint le degré d'acquisition des compétences attendu et qu'il est capable de développer les qualités professionnelles requises (postures). Cette évaluation est efficace tant du point de vue de l'étudiant que de celui de la direction de programme. \nConclusion : Le processus « Rendre-compte » contribue à l'évaluation continue des apprentissages et à l'efficacité du nouveau programme développé autour des compétences professionnelles. Cette méthode d'évaluation se distingue par la présentation écrite et orale d'un dossier de réussite.
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 | 0.018 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".