Bibliographic record
Abstract
Résumé 1. En éclairant les mécanismes soustendant l’acquisition des connaissances, la recherche sur l’expertise a contribué au développement de techniques d’enseignement. 2. Un feedback régulier et approprié est crucial tant pour le développement de l’expertise que pour un enseignement scolaire efficace. Cela est consistant avec le rôle du feedback dans la pratique délibérée, l’enseignement privé et l’enseignement par ordinateur. 3. ACT a mené au développement de didacticiels intelligents pour l’enseignement de la géométrie, l’algèbre et la programmation. Ces didacticiels, très répandus aux ÉtatsUnis, mènent à un meilleur apprentissage que l’enseignement traditionnel. 4. La théorie des chablons arrive à des conclusions sur la manière d’enseigner qui sont contraires à certaines vérités acceptées. 5. L’étude de l’expertise a conduit à des applications importantes en industrie avec le développement de systèmes experts. Elle a également mené au développement de systèmes capables de faire preuve, de manière autonome et semiautonome, de créativité en science et en art.
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 | 0.008 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.015 | 0.014 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.086 | 0.020 |
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".