Analyse de données en apprentissage d'une L2 en situation d'autonomie dans un environnement multimédia
Notice bibliographique
Résumé
Cet article propose un cadre méthodologique pour traiter de l'apprentissage et de l'évaluation en Enseignement des Langues Assisté par Ordinateur (ELAO) dans le contexte de l'autonomie. En effet, en l'absence d'un paradigme qui fasse consensus, l'auteure propose une méthodologie d'analyse provenant de la résolution de problème en sciences cognitives et qui devrait être généralisable pour le traitement des données dans le contexte de l'autonomie en ELAO. Notre cadre d'analyse comprend trois stratégies générales correspondant aux connaissances préalables - régulation, mise en oeuvre, évaluation - qui permettent de distinguer les apprenant efficaces des non efficaces en situation d'autonomie puisqu'elles font appel aux connaissances antérieures. Ces stratégies générales sont croisées à six étapes de résolution de problème : lecture, analyse, exploration, planification, réalisation et vérification. L'auteure montre, à travers deux études empiriques qu'elle a menées, que le cadre de résolution de problème fonctionne bien et permet d'évaluer l'efficacité des apprenants en situation d'autonomie dans l'environnement de l'ELAO. Elle suggère que ce cadre de résolution de problème soit utilisé dans d'autres études sur l'apprentissage dans différents environnements informatiques afin de lui donner de la robustesse et une plus grande généralisation et ainsi, de permettre au domaine d'opter pour le paradigme cognitif qui deviendrait alors consensuel.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».