Rendez-vous sur les classes d’apprentissage actif : première partie
Notice bibliographique
Résumé
Présentation en 3 parties : 1) Présentation du projet de recherche sur les CLAAC. 2) Scénariser une activité d’apprentissage actif : l’apport de la recherche. Dans notre recherche sur les classes d’apprentissage actif, des activités ont été décrites dans des scénarios comprenant des informations clés sur la formation et le fonctionnement des équipes, les objectifs pédagogiques, la production des étudiants, le matériel utilisé, l’évaluation, etc. Nous mettrons en relation les caractéristiques des scénarios avec les indicateurs de motivation, d’engagement et d’efficacité du travail d’équipe obtenus auprès des étudiants. Les caractéristiques ayant eu les plus grands effets seront ensuite explicitées en utilisant les données d’entrevue et de vidéos. 3) Un scénario d’apprentissage actif motivant. Dans la recherche sur les conditions d’efficacité des classes d’apprentissage actif, l’analyse des résultats présentée précédemment a permis d’identifier des scénarios d’apprentissage efficaces sur le plan de l’engagement et de la motivation des étudiants. Nous présenterons un scénario d’apprentissage efficace en en faisant ressortir les caractéristiques. Ce scénario sera comparé à un scénario moins efficace.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,075 | 0,019 |
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 ».