Interfaces Elève-Machine pour apprendre à partir des contextes
Notice bibliographique
Résumé
L’enseignement des sciences naturelles vise a permettre aux enfants de construire une representation rationnelle de leur environnement. Pour ce faire, il est habituel de construire des enseignements authentiques mettant en place une demarche d’investigation ancree dans un contexte ecologique particulier. Des travaux anterieurs ont decrit les effets de contexte comme des evenements se produisant en situation d’apprentissage lorsque les contextes de deux acteurs sont differents. Postulant que ces effets de contexte peuvent etre consideres non comme une limite a l’apprentissage mais comme un atout, nous avons mis au point une innovation pedagogique afin d’observer, de decrire et de modeliser les modalites d’emergences des effets de contextes. Les apprentissages etudies portent sur l’etude de grenouilles singulieres (Lithobates catesbeianus, Euleutherodactylus sp.) par des enfants de 10 a 13 ans de Guadeloupe et du Quebec. La sequence pedagogique inclut notamment un environnement numerique de travail, des visioconferences regulieres et une demarche d’investigation sur le terrain assiste par ordinateur. Dans une methodologie de design based research, des donnees de differents types (questionnaires, enregistrements, productions d’eleve par exemple) ont ete collectees. Les resultats preliminaires permettent de decrire differents types d’expression des effets de contexte. Une modelisation de leur emergence est menee a partir des differences entre les contextes ecologiques sur lesquels les eleves travaillent. Elle vise a fournir des outils predictifs pour le chercheur comme pour le concepteur d’enseignement.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,009 |
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 ».