L’impact des CAP sur le développement de la compétence des enseignants en évaluation des apprentissages
Bibliographic record
Abstract
L’automne 2011, trois communautés d’apprentissage professionnelles (CAP) ont été mises sur pied avec, pour thématique, l’évaluation des apprentissages. Ces CAP visaient à consolider la compétence en évaluation des apprentissages chez les enseignants en exercice, à soutenir ces derniers dans l’ajustement de leurs pratiques en évaluation et à susciter une dynamique de coformation entre les enseignants participant aux CAP. Cette recherche, de type formation, adopte une approche mixte et s’appuie sur le modèle d’évaluation de la formation continue de Guskey (2000) pour déterminer l’impact des CAP sur le développement de la compétence en évaluation des apprentissages. Les résultats indiquent que tous les enseignants des trois CAP ont consolidé leurs compétences en évaluation de manière significative et qu’un gain plus important a été noté pour les enseignants du secondaire. Les apprentissages réalisés sont surtout de nature cognitive. Parmi les apprentissages classés sous la dimension affective, c’est le partage des pratiques qui retient l’attention des participants. De plus, le choix d’avoir opté pour des CAP constituées de participants venant de plusieurs commissions scolaires a certainement contribué à élargir leurs perspectives grâce à la richesse des expertises et des milieux convoqués.
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 | 0.020 | 0.065 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".