FORCES 3 : Exploitation à des fins pédagogiques des données d’un portail d’apprentissage de l’autogestion de la douleur. Développement d’une architecture de collecte et d’analyse de données et d’un module de suivi du développement des compétences
Notice bibliographique
Résumé
Le développement des environnements numériques d’apprentissage (ENA), en plus de permettre un accès plus facile au savoir pour tous, présente un nouvel éventail de possibilités pédagogiques. Les infrastructures de données intrinsèquement liées aux technologies du Web favorisent l’apprentissage adaptatif et la personnalisation des parcours. C’est le cas de la plateforme en ligne Gérer ma douleur, qui propose un ensemble de ressources pour les personnes souffrant de douleurs chroniques afin de les aider à mieux les gérer. Dans le cadre du développement de cette plateforme, l’équipe de recherche-développement a procédé à l’étude de l’usage de ces infrastructures de données, pour proposer de nouvelles offres et fonctionnalités de façon à soutenir les parcours d’apprentissage. Un module de suivi de parcours d’apprentissage a été développé en partenariat avec de potentiels futurs utilisateurs, en suivant une méthodologie de prototypage rapide. De plus, un système de collecte et d’observation des données d’interactions des utilisateurs avec la plateforme a été mis en place en utilisant la norme xAPI, dans l’optique d’améliorer le fonctionnement du dispositif d’apprentissage et les différentes ressources éducatives.
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 | 0,008 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,011 |
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 ».