Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle