Notice bibliographique
Résumé
05–81Aguado, Karin (U of Bielefeld, Germany). Evaluation fremdsprachlicher Wortschatz-kompetenz: Funktionen, Prinzipien, Charakteristika, Desiderate [Evolution of foreign vocabulary competence: functions, principles, characteristics and deficits]. Fremdsprachen Lehren und Lernen (Tübingen, Germany) 33 (2004), 231–250. 05–82Hansen, Eric, G. (ETS, Princeton, USA; ehansen@ets.org ), Mislevy, Robert, J., Steinberg, Linda, S., Lee, Moon, J. & Forer, Douglas, C. Accessibility of tests for individuals with disabilities within a validity framework. System (Oxford, UK) 33.1 (2005), 107–133. 05–83Ingram, David (Melbourne U Private, Australia; d.ingram@muprivate.edu.au ). Towards more authenticity in language testing. Babel-Journal of the AFMLTA (Queensland, Australia) 39.2(2004), 16–24. 05–84Latham, Dorothy (Independent Education Consultant, UK). Speaking, listening and learning: a rationale for the Speaking and Listening Profile. English in Education (Sheffield, UK) 39.1 (2005)60–74. 05–85Spratt, Mary (Cambridge, UK). Washback and the classroom: the implications for teaching and learning of studies of washback from exams. Language Teaching Research (London, UK) 9.1 (2005), 5–29. 05–86Suzuki, Manami & Daza, Carolina (OISE, Toronto, Canada; msusuki@oise.utoronto.ca ). A review of the reading section of the TOEIC. TESL Canada Journal (Burnaby, Canada) 22.1 (2004), 16–24. 05–87Weaver, Chris & Romanko. Rick (Tokyo U of Agriculture and Technology, Japan). Assessing oral communication competence in a university entrance examination. The Language Teacher (Kyoto, Japan) 29.1 (2005), 3–9.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,353 | 0,239 |
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 ».