BEYOND BLOOM’S: USEFUL CONSTRUCTS FOR DEVELOPING GRADUATE ATTRIBUTE INDICATORS
Notice bibliographique
Résumé
What do we want our students to learn from an experience? This is the central question that underpins learning objectives. Learning objectives attempt to describe the manifestations of learning that we would like to see by the end of a learning experience (e.g. a course or a learning module). Traditionally areas of knowledge that are the target of learning objectives are described as domains. Typically knowledge is described as cognitive, affective, or psychomotor and there are other domains such as interpersonal1-4. The domain describes the nature of the learning. Has the student learned a new cognitive process, or learned to care about something new? The organization of learning into these domains helps us to make sense of the types of knowledge that our students are learning. A domain is like a country, it defines a piece of the knowledge landscape. A taxonomy of learning attempts to map that landscape. It creates categories that describe ways of knowing. Just as a map describes the landscape using categories (e.g. roads, parks, towns), a taxonomy categorizes ways of knowing so that we can better define the manifestation of learning that we want our students to achieve. Most taxonomies are meant to be thorough maps of one domain. For example Bloom’s taxonomy describes ways of knowing within the cognitive process domain1. It attempts to categorize all of the different levels of learning in this domain. When Anderson and Krathwohl later updated Bloom’s taxonomy they added a second dimension, the knowledge dimension, which breaks apart the domain into 4 parts: factual knowledge, conceptual knowledge, procedural knowledge, and metacognitive knowledge5. Their taxonomy applies the same levels of learning (i.e. cognitive processes) to each of these four pieces of the domain. Bloom’s (or Anderson’s) do not describe everything that a student should learn. They are only meant to describe one type of learning: cognitive process. Other taxonomies map other domains and some taxonomies cut across domains.
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 | 0,032 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,020 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
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 ».