Notice bibliographique
Résumé
We all fail. We also like to look good and avoid looking bad. So, even though we know that taking risks and trying new approaches are important for enhancing our teaching and students’ learning (Strean, 2017), we rarely talk about our failures. Our claim in this paper is that our insecurities create a substantial barrier to improving and enriching our teaching practices. If we do not find time to take big risks, and then to explore and critically reflect on failures that result sometimes from those risks, we lose out on the chance to become better teachers; more fundamentally, we deprive our students of the chance to have extraordinary opportunities to learn. Nous connaissons tous des échecs. Or, nous voulons projeter une image positive de nous-mêmes. Ainsi, même si nous savons qu’il est important de prendre des risques et d’essayer de nouvelles approches pour améliorer notre enseignement ainsi que l’apprentissage de nos étudiants (Strean, 2017), il est rare que nous parlions de nos échecs. Dans cet article, nous avançons l’idée suivante : notre manque d’assurance constitue un obstacle considérable à l’amélioration et à l’enrichissement de nos pratiques d’enseignement. Si nous ne nous donnons pas du temps pour prendre des risques importants, puis pour réfléchir de manière critique sur les échecs qui découlent parfois de cette prise de risque, nous laissons passer une occasion de nous améliorer en tant qu’enseignants. Qui plus est, nous privons ainsi nos étudiants d’occasions d’apprentissage exceptionnelles.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,419 | 0,219 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».