Les enjeux et défis d’accompagnement d’enseignantes et d’enseignants dans l’évaluation des apprentissages à l’aide de technologies collaboratives au primaire et au secondaire
Notice bibliographique
Résumé
Évaluer les apprentissages, tant pour mieux les soutenir que pour y reconnaitre les acquis (Allal et Laveault, 2009; Ministère de l’Éducation, 2003), est l’une des compétences de l’enseignante et de l’enseignant (Ministère de l’Éducation, 2020). Afin de tirer profit des usages du numérique en matière d’évaluation des apprentissages, le projet de recherche-action ÉCRAN (Évaluation Collaborative Réussie des Apprentissages par le Numérique, FRQSC, 2020-2023) a voulu rendre compte de l’activité des élèves en situation de comprendre ou de résoudre un problème en collaboration. À cette fin, de l’accompagnement a été offert au cours de l’activité de codesign. Le présent article traite des enjeux et défis d’accompagnement de deux sites distincts alors que les enseignantes et les enseignants qui y participent ont dû se préoccuper d’alignement lors de la mise en place de nouvelles séquences enseignement-apprentissage-évaluation, cela dans le contexte pandémique 2020-2021. Six catégories d’enjeux et cinq catégories de défis associées aux usages du numérique aux fins d’évaluation des apprentissages réalisés en collaboration chez des élèves du primaire et du secondaire ont été repérés.
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 | 0,010 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».