Proceedings of the Second (2015) ACM Conference on Learning @ Scale
Notice bibliographique
Résumé
It is our great pleasure to welcome you to ACM conference Learning at Scale 2015. In this, the second year of the conference, we have seen a significant growth in the number of submissions to the conference and an overall improvement in the quality of the contributions. This year's conference continues the tradition of being the premier forum for presentation of research results and inside stories about what makes online educational systems operate at scale. The call for papers attracted submissions from all over the world, covering a broad range of topics from the theoretical to the pragmatic. The program committee reviewed and accepted the following: Venue or Track Reviewed Accepted Full Technical Papers 90 23 25% Short Technical Papers 12 5 41%Work in Progress Papers 54 47 80% Since the conference is still in its formative years, we accepted a large fraction of all the Works in Progress because we found the experience of reading through them to be so valuable. We are still a nascent field, and learning about the very latest work reflects the rapidly changing nature of what we know to be true. We encourage attendees to attend both keynotes. These valuable and insightful talks can and will guide us to a better understanding of the future of our field: Achieving 96% mastery at national scale through inspired learning and generative adaptivity, Zoran Popovic (University of Washington)Machine Learning for Learning at Scale, Peter Norvig (Google)
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 | 0,010 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,243 | 0,087 |
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 ».