Un modèle cognitif computationnel de représentation de la connaissance au sein des environnements virtuels d’apprentissage
Notice bibliographique
Résumé
Dans le cadre de la représentation des connaissances au sein des environnements virtuels d’apprentissage (EVA) et du fait de la nature relationnelle et structurée de ces connaissances, leur exploitation nécessite de faire appel à des processus d’analyse capables de traiter et de manipuler un grand volume de données structurées. Dans ce sens, un modèle de représentation trouve sa pleine utilité pour la recherche et le traitement automatique d’information guidant le raisonnement, le diagnostic et la prédiction d’un système tuteur dont la tâche est de fournir des suggestions, des exemples et des explications bien adaptés à chaque apprenant. Nous présentons dans cet article un modèle pour représenter la connaissance du domaine et celle des usagers utilisant des EVA. Le modèle s’inspire des recherches en intelligence artificielle sur la modélisation computationnelle et des théories de la psychologie cognitive qui expliquent l’activité cognitive humaine en termes de sous-systèmes de la mémoire et de leurs processus. Ces sous-systèmes (implémentés dans un EVA), parce qu’ils sont similaires à ceux utilisés par l’apprenant, facilitent, d’une part, l’identification de la connaissance acquise correcte ou erronée, et suggèrent, d’autre part, la planification d’une séquence d’activités pédagogiques pour améliorer de manière significative le niveau cognitif de cet apprenant.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».