L’impact des CAP sur le développement de la compétence des enseignants en évaluation des apprentissages
Notice bibliographique
Résumé
L’automne 2011, trois communautés d’apprentissage professionnelles (CAP) ont été mises sur pied avec, pour thématique, l’évaluation des apprentissages. Ces CAP visaient à consolider la compétence en évaluation des apprentissages chez les enseignants en exercice, à soutenir ces derniers dans l’ajustement de leurs pratiques en évaluation et à susciter une dynamique de coformation entre les enseignants participant aux CAP. Cette recherche, de type formation, adopte une approche mixte et s’appuie sur le modèle d’évaluation de la formation continue de Guskey (2000) pour déterminer l’impact des CAP sur le développement de la compétence en évaluation des apprentissages. Les résultats indiquent que tous les enseignants des trois CAP ont consolidé leurs compétences en évaluation de manière significative et qu’un gain plus important a été noté pour les enseignants du secondaire. Les apprentissages réalisés sont surtout de nature cognitive. Parmi les apprentissages classés sous la dimension affective, c’est le partage des pratiques qui retient l’attention des participants. De plus, le choix d’avoir opté pour des CAP constituées de participants venant de plusieurs commissions scolaires a certainement contribué à élargir leurs perspectives grâce à la richesse des expertises et des milieux convoqués.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».