Comment de futurs enseignants évaluent la maîtrise de compétences
Bibliographic record
Abstract
L’article analyse le savoir-évaluer de futurs enseignants (FE dans la suite du texte) en sciences humaines dans l’enseignement secondaire supérieur. Le savoirévaluer des FE n’est pas directement observé dans la gestion de pratiques de classe. Il est documenté au travers des outils qu’ils ont construits pour évaluer le degré de maîtrise de compétences de type professionnel chez leurs élèves qui se préparent à un métier de «service aux personnes» et des traces de l’usage de ces outils. Les difficultés les plus récurrentes de même que quelques démarches prometteuses sont relevées et analysées à la lumière du contexte de production de ces pratiques évaluatives. Les données soutiennent l’intérêt de travailler ces pratiques évaluatives en formation. Pour permettre au lecteur de comprendre les critères d’analyse retenus par les auteurs, les premiers chapitres de l’article préciseront, d’une part, le contexte général du développement des compétences en Communauté française de Belgique, ses fondements conceptuels et les exigences liées à leur évaluation, d’autre part, les choix didactiques portés par les formatrices pour travailler le «savoir évaluer» des FE.
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 | 0.013 | 0.049 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| 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".