Utilité des échelles descriptives et différences individuelles dans l’autoévaluation de l’écrit
Bibliographic record
Abstract
Cette recherche porte sur les différences individuelles entre élèves lorsque ceuxci utilisent des échelles descriptives pour évaluer une production complexe. Plus précisément, elle a cherché à déterminer quelles caractéristiques du jugement de l’élève, pour ce qui est de la précision, de la sévérité et de la confiance, affectent leur rendement en écriture. La précision du jugement s’est avérée le meilleur prédicteur du rendement en écriture. Des différences importantes quant à l’habileté avec laquelle les élèves des groupes talentueux, doués ou en difficulté d’apprentissage utilisent les échelles descriptives ont également été observées. Même si les filles obtiennent de meilleures notes que les garçons à l’écrit, les différences entre les deux groupes quant à la précision, à la sévérité et à la confiance du jugement ne sont pas significatives. La comparaison des groupes francophone et anglophone au moyen des régressions multiples séparées indique que la compréhension des échelles descriptives contribue de la même manière au rendement en écriture dans chacun des groupes. Le degré de confiance, toutefois, s’est révélé significativement plus bas chez les francophones. Il n’y pas eu d’amélioration significative dans la capacité à évaluer des textes écrits entre la 5e et la 8e année. La recherche conclut en soulignant l’importance des dimensions socioaffectives du jugement de l’élève dans l’utilisation d’échelles descriptives.
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 | 0.109 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| 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 | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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; both teacher heads agree on what is shown here.
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".