Bibliographic record
Abstract
Onderwijzen is een prachtig vak, maar het heeft zijn schaduwzijden. En die schaduwzijden zitten wat mij betreft vaak in het repetitieve karakter van bepaalde taken: het beantwoorden van vragen die voor de vierde maal worden gesteld, het uitleggen van een stukje theorie aan het zesde gezelschap die dag of het nakijken van 350 tentamens. Ik ben dan ook blij dat het accent van de taak van de onderwijzer verschuift van het overdragen van kennis naar het organiseren van het leerproces van de student. Bij het laatste past dat je de ter beschikking staande middelen efficiënt en effectief gebruikt om studenten aan het werk te houden, meer dan dat je je uitput door alles zelf en herhaaldelijk te doen. Zogenaamde digitale leeromgevingen (dlo's) kunnen hierbij een nuttige functie vervullen. Dlo's zijn - kort gezegd - computerprogramma's (meestal gekoppeld aan het intra- of internet) die het mogelijk maken dat studenten van elkaar of van de docent leren zonder op het zelfde moment fysiek in dezelfde ruimte te zitten. Dlo's worden al een tiental jaren gebruikt in het onderwijs en hun functionaliteit is voortdurend uitgebreid. Waren het aanvankelijk een soort veredelde e-mail- of database-programma's, tegenwoordig is alles mogelijk wat ook elders op het web mogelijk is, inclusief alle interactieve en multimediale elementen. Soms wordt dan wel gesproken over e-learning, al heeft dat verschijnsel een grotere vlucht genomen in landen waar afstanden een grotere hindernis vormen dan in Nederland, zoals Canada.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".