Il est temps de faire la promotion du créacollage numérique!
Notice bibliographique
Résumé
C HRONIQUE • Intervention éducativeLes stratégies d' écriture utilisées par les étudiants universitaires actuels diffèrent de celles qui étaient privilégiées encore récemment.Ils utilisent une variété d' outils technologiques (ordinateurs, tablettes, téléphones intelligents), des logiciels de traitement de texte et de révision.De plus, le Web leur permet de trouver facilement et rapidement une quantité phénoménale d'information qu'ils peuvent intégrer dans leur propre texte.L' écriture et la lecture restent au coeur de la réussite universitaire, mais celles-ci peuvent être abordées sous différents angles, comme en témoignent les nombreux concepts dérivés de la littératie : littératie numérique, multimodale, universitaire, critique, informationnelle, etc. Si les compétences concernées et les habiletés qui les soutiennent sont variables et extensives, soulignons particulièrement les compétences informationnelles et scripturales.Ainsi, les compétences informationnelles serviront à chercher, trouver, évaluer et sélectionner l'information pertinente à la rédaction de leur travail.Les compétences scripturales, qui incluent la planification, la mise en texte, la correction et la révision, seront bien utiles pour écrire le travail en faisant des liens intertextuels.Ceux-ci, assurés par la paraphrase et la citation, devront être bien identifiés, tant dans le texte que dans la section des références. Compétences et stratégies de créacollage numériqueLorsqu'ils mobilisent ces compétences, les natifs du numérique ont recours à des stratégies de créacollage numérique (SCN) (Peters, 2015) afin de faciliter tout le processus de production d'un travail.Les étudiants qui y ont recours trouveront diverses informations du
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,013 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».