Modèle d'une démarche pour la génération de requête adaptée dans ChatGPT afin d'activer son apprentissage et développer un langage performant
Notice bibliographique
Résumé
En m'inspirant de diverses sources existant dans la littérature actuelle sur la conception de ressources éducatives libres tel que les lignes directrices de l’UNESCO, j'ai procédé à un entrainement de ChatGPT afin d'obtenir des réponses exactes pour m'aider dans le processus de transformation d'une ressource éducative en ressource éducative libre. Les suggestions de l'outil, furent à chaque fois, traitées, refusées ou validées. Ma démarche consista à suggérer, étape après étape, pour chaque section du contenu web fourni, de proposer à l’outil de réaliser une analyse approfondie basée sur la connaissance experte du domaine.À chaque, étape il fallait indiquer précisément à l’outil la tâche qu’il fallait réaliser. Les premières informations fournies par l’IA furent considérées comme un tremplin pour commencer à construire un premier tableau récapitulatif de données qui allait nous servir de guide/ de base pour la construction d’un langage plus performant et généralisant.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,150 |
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 ».