Notice bibliographique
Résumé
There are substantial similarities between deep learning and the processes by which knowledge advances in the disciplines. During the 1960s efforts to exploit these similarities gave rise to learning by discovery, guided discovery, inquiry learning, and Science: A Process Approach (American Association for the Advancement of Science, 1967). Since these initial reform efforts, scholars have learned a great deal about how knowledge advances. A mere listing of keywords suggests the significance and diversity of ideas that have come to prominence since the 1960s: Thomas Kuhn, Imre Lakatos, sociology of science, the “Science Wars,” social constructivism, schema theory, mental models, situated cognition, explanatory coherence, the “rhetorical turn,” communities of practice, memetics, connectionism, emergence, and self-organization. Educational approaches have changed in response to some of these developments; there is a greater emphasis on collaborative rather than individual inquiry, the tentative nature of empirical laws is more often noted, and argumentation has become an important part of some approaches. But the new “knowledge of knowledge” has much larger educational implications: Ours is a knowledge-creating civilization. A growing number of “knowledge societies” (Stehr, 1994), are joined in a deliberate effort to advance all the frontiers of knowledge. Sustained knowledge advancement is seen as essential for social progress of all kinds and for the solution of societal problems. From this standpoint the fundamental task of education is to enculturate youth into this knowledge-creating civilization and to help them find a place in it.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,106 | 0,052 |
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 ».