Un modèle cognitif computationnel de représentation de la connaissance au sein des environnements virtuels d’apprentissage
Bibliographic record
Abstract
Dans le cadre de la représentation des connaissances au sein des environnements virtuels d’apprentissage (EVA) et du fait de la nature relationnelle et structurée de ces connaissances, leur exploitation nécessite de faire appel à des processus d’analyse capables de traiter et de manipuler un grand volume de données structurées. Dans ce sens, un modèle de représentation trouve sa pleine utilité pour la recherche et le traitement automatique d’information guidant le raisonnement, le diagnostic et la prédiction d’un système tuteur dont la tâche est de fournir des suggestions, des exemples et des explications bien adaptés à chaque apprenant. Nous présentons dans cet article un modèle pour représenter la connaissance du domaine et celle des usagers utilisant des EVA. Le modèle s’inspire des recherches en intelligence artificielle sur la modélisation computationnelle et des théories de la psychologie cognitive qui expliquent l’activité cognitive humaine en termes de sous-systèmes de la mémoire et de leurs processus. Ces sous-systèmes (implémentés dans un EVA), parce qu’ils sont similaires à ceux utilisés par l’apprenant, facilitent, d’une part, l’identification de la connaissance acquise correcte ou erronée, et suggèrent, d’autre part, la planification d’une séquence d’activités pédagogiques pour améliorer de manière significative le niveau cognitif de cet apprenant.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".