Modélisation et automatisation des procédés d’écriture et de production de supports de formation numérisés - Le modèle M.A.Ï.HEU.T.I.C. de la CCI de Paris
Bibliographic record
Abstract
Cet article expose les conclusions d’un projet de recherche de la Direction de l’Enseignement de la Chambre de Commerce et d’Industrie de Paris (CCIP), mené de 2003 à 2005, dont l’aboutissement est un modèle didactique de production de contenus de cours numérisés, baptisé M.A.Ï.HEU.T.I.C.[[ M.A.Ï.HEU.T.I.C. : Modèle Appliqué d’Interprétation Heuristique des Technologies de l’Information et de la Communication.]]. Ce modèle recherche l’efficacité formative par une articulation didactique des contenus, dont la mise en espace pertinente sur la page-écran de l’ordinateur est performative de l’intentionnalité pédagogique de l’enseignant/auteur du support. Le modèle est fondé sur : -* une structuration logique entre le fond et la forme des contenus sur la base des principes de « l’ingénierie documentaire »; -* une méthodologie d’écriture des contenus fondée sur les apports de la rhétorique classique pour l’explicitation de l’intention pédagogique de l’auteur; -* une organisation de la page-écran d’affichage des contenus conforme aux préceptes de l’ergonomie visuelle; -* une instrumentation technologique utilisant le langage XML permettant l’édition automatisée de contenus multi-supports (pages Web, support imprimé et support d’animation de cours en face à face). Sept cours multimédias réalisés avec M.A.Ï.HEU.T.I.C., représentant un total de 250 heures de formation, sont aujourd’hui disponibles dans la Banque de Ressources Pédagogiques Numérisées de la CCIP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".