Notice bibliographique
Résumé
L’approche par objets d’apprentissage (OA) et l’approche par langage de modélisation pédagogique (LMP) constituent deux tendances en matière d’ingénierie de l’apprentissage en ligne. La première consiste, d’une part, à réutiliser au mieux des ressources existantes lors de la création d’une nouvelle situation d’apprentissage en ligne et, d’autre part, à indexer les ressources créées et à les mettre à disposition d’autrui. La seconde approche consiste à utiliser un LMP pour décrire des situations d’apprentissage en ligne et, par ce moyen, à créer un cadre d’agrégation d’OA; un tel langage permet de produire des scénarios pédagogiques. Bien que de nombreux travaux se soient préoccupés des OA et des LMP, peu d’entre eux ont porté sur la validation de scénarios pédagogiques. Après avoir introduit ces travaux, nous présentons une approche de scénarisation pédagogique dont l’objectif est de produire des scénarios cohérents au regard des compétences visées et associées aux différents éléments du scénario (notamment des OA). Selon nous, c’est une solution pertinente pour tendre vers la production de formations en ligne de qualité. Les technologies du web sémantique et l’ingénierie ontologique sont mises à profit afin de concevoir LÉO, un outil logiciel d’assistance à la scénarisation pédagogique.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,242 | 0,379 |
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; les deux têtes enseignantes 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 ».