Systèmes d'aide à l'apprentissage et au rendement : le dossier personnel d'apprentisage : livre blanc-études sur utilisateurs
Notice bibliographique
Résumé
Le SAAR est un système d’aide à l’apprentissage et au rendement élaboré par le Conseil national de recherches du Canada (CNRC) pour répondre à tous les besoins de perfectionnement et de formation, et finalement, pour le développement et l’amélioration de carrière. Le SAAR mise sur l’enseignement individualisé avec de l’aide adaptée au contexte. Parmi les principaux projets de développement technologique qui s’y rattachent figurent les suivants : réseau et marché des services d’apprentissage; perfectionnement et reconnaissance automatisés des compétences; assistant en apprentissage personnel permettant de voir les formations, de les actualiser et d’y accéder; gestion du dossier d’apprentissage et de formation et des acquis pédagogiques de l’individu durant sa vie. Un autre projet de recherche élargira les ressources du SAAR en vue de mettre des activités et des données reposant sur la simulation à la disposition de groupes en ligne précis, l’objectif étant de créer de nouveaux algorithmes comme des applications de recommandation et d’analyse articulées sur les activités d’apprentissage pratiques. Le programme SAAR du CNRC a pour principal objectif de concevoir, de déployer, de perfectionner et de commercialiser un système électronique qui aidera les gens à rehausser leur performance aux études et au travail.
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 | 0,204 | 0,241 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».