L’entretien d’évaluation : un retour aux sources pédagogiques
Notice bibliographique
Résumé
"Comment évaluer chaque étudiante et chaque étudiant de manière authentique dans un monde transformé par l’IA, où les travaux d’équipe complexes sont essentiels, mais où les contraintes de temps limitent la qualité des évaluations? Cette présentation aborde l’entretien d’évaluation, une approche qui place les étudiantes et les étudiants au cœur de la relation pédagogique. Elle démontre comment cet outil favorise une évaluation juste des apprentissages tout en répondant aux défis quotidiens des membres du corps professoral. Deux professeurs de génie mécanique du Cégep du Vieux Montréal témoigneront de leurs expériences enrichissantes. Ils présenteront les outils utilisés, compareront leurs méthodes et détailleront les résultats obtenus. Leur démarche met en lumière les bénéfices de l’entretien d’évaluation pour améliorer les pratiques éducatives et renforcer le lien entre apprentissage et évaluation." -- AQPC
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 | 0,066 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,013 | 0,012 |
| Communication savante | 0,027 | 0,009 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,004 |
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 ».