Machine learning for end-users: exploring learning goals and pedagogical content knowledge
Notice bibliographique
Résumé
L’apprentissage automatique (AA) est devenu rapidement une expertise recherchée, ceci dans de nombreux domaines. La demande en compétence augmente plus vite que l’offre. Cela se reflète dans l'état actuel de la recherche sur l'enseignement de l’AA où il y les travaux peu nombreux restent principalement focalisés sur les étudiants en informatique. Pour développer ce domaine de recherche, cette thèse se concentre sur la façon d'enseigner l’AA aux adultes n’ayant une pas de formation technique. Nous avons mené dix entretiens avec des professeurs d'université pour recueillir leur connaissance du contenu pédagogique (CCP) - connaissance des instructeurs sur la façon d'enseigner un sujet particulier. Dans l'analyse qualitative, nous avons en particulier identifié les différents aspects de la CCP, commes les préconceptions, les barrières à la compréhension des étudiants et les tactiques pédagogiques utilisées par les enseignants. Cela inclut respectivement la surestimation l'AA, les difficultés mathématiques et la la sélection stratégique des cas d’étude. De cette analyse qualitative s’est dégagée une série d’objectifs pédagogiques pour lesquels nous avons établi une classification suivant la taxonomie Structure of Observed Learning Outcomes (SOLO). Les objectifs faciles à enseigner, comme par exemple le traçage des algorithmes, correspondent aux bas niveaux de notre classification SOLO. Inversement, les objectifs considérés comme difficiles à enseigner sont associés aux niveaux élevés. Cela indique que les algorithmes eux-mêmes ne sont pas la partie difficile de l’apprentissage de la AA. Les résultats de notre CCP ont ensuite été organisés selon cette taxonomie pour présenter une liste des obstacles rencontrés par les étudiants et les stratégies d’enseignement associées en relation avec chaque étape de SOLO. Cette organisation fournit un guide utile pour faire progresser les étudiants selon la taxonomie SOLO en anticipant mieux leurs difficultés tout en proposant des tactiques pédagogiques pertinentes. Nous concluons par des considérations pratiques basées sur des questions critiques pour la conception de cours pour les éducateurs d’aujourd’hui ainsi que plusieurs orientations prometteuses pour l’innovation dans l’enseignement de l’AA couvrant les outils de visualisation et la programmation pour les utilisateurs finaux
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».