Pédagotrucs vol.2, n°10
Notice bibliographique
Résumé
C‛est pour toujours que l‛on n‛est « pas encore » Hadji, 1992 & & < AUTOÉVALUATION DE SON ENSEIGNEMENT Maîtriser son enseignement pour mieux contrôler les apprentissages Avant une tâche, l‛enseignante ou l‛enseignant peut-il savoir s‛il a bien circonscrit et planifié la tâche ou le problème qu‛il donne à résoudre?Pendant la réalisation d‛une tâche ou d‛un apprentissage, comment peut-il savoir si les élèves possèdent les notions importantes et nécessaires à la réalisation de cette tâche?Enfin, après une tâche ou un apprentissage, l‛enseignant sait-il vraiment si les élèves ont atteint les buts d‛apprentissage?L‛utilisation de stratégies métacognitives permet à l‛enseignant de trouver des réponses à ces questions.Bonne lecture!La métacognition est un processus d‛autoanalyse critique et d‛autorégulation en perpétuel ajustement.Pour y arriver, l‛enseignant doit être capable de comprendre (autoanalyse critique) comment il enseigne et être aussi capable d‛intervenir (autorégulation) pour bien gérer son enseigneme nt.C‛est pourquoi nous vous proposons de structurer votre démarche d‛autoévaluation autour de ces deux axes.Le premier axe, « l‛autoanalyse critique » de son mode d‛enseignement, demande à l‛enseignant de : ' connaître les apprentissages et les tâ ches qu‛il veut faire réaliser; ' identifier clairement les moyens (types de présentation, consignes, etc.) qu‛il doit mettre en œ uvre pour que ces apprentissages et ces tâches soient réalisés; ' « s‛objectiver » comme enseignant, « s‛observer » lorsqu‛il enseigne et identifier les conditions dans lesquelles il enseigne;
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,462 | 0,201 |
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 ».