Competenze "causali" e stili di apprendimento: un framework per l'istruzione adattiva
Bibliographic record
Abstract
L'utilizzo di ambienti on-line offre notevoli potenzialita per il miglioramento delle dinamiche di apprendimento di una classe. A sostegno di questa tesi, il presente articolo presenta due nuove tecnologie: un metodo per modellizzare secondo modalita causali le competenze del discente - sia concettuali che metacognitive - e un secondo mirato all'individuazione del suo stile di apprendimento. Questo perche riteniamo che per un istruttore in carne ed ossa, sarebbe estremamente difficile comprendere a fondo quale possano essere le competenze di un discente e la loro dinamica di sviluppo, come pure identificare i suoi stili di apprendimento e le loro variazioni con il tempo. Riteniamo inoltre che queste due tecnologie, in quanto parte di un unico quadro di riferimento, possano contribuire a una migliore comprensione da parte del docente delle competenze e degli stili di apprendimento medi della classe e, quindi, consentire di adattare il processo istruzionale a vari livelli di granularita.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.013 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".