Évaluation L.V.R. d’un document audio-scripto-visuel éducatif
Bibliographic record
Abstract
Cette étude, qui s’inscrit dans le cadre des travaux du GRERDAVE*, porte sur l’un des critères qui permet de choisir des étudiants pour la mise à l’essai d’un document éducatif, en évaluation L.V.R. (« Learner Verification and Revision » : Komoski, 1974), selon le mode tutoriel. Ce critère, c’est le niveau de verbalisation de l’étudiant. Dans un premier temps, le prototype d’un diaporama destiné à des étudiants au collégial, sur l’ajustement du système de visée des carabines, a été réalisé. Celui-ci a ensuite été mis à l’essai auprès de trois étudiants de niveaux de verbalisation différents : fort, moyen, faible. Un vérificateur a alors recueilli des informations en observant et en interrogeant (mode tutoriel) les étudiants. Celles-ci ont été soumises à des réviseurs qui les ont transformées en prescriptions de révisions. Trois versions révisées du prototype ont alors été produites selon ces prescriptions. Enfin, le prototype et les trois versions révisées ont été expérimentés auprès de quatre groupes d’étudiants d’un C.E.G.E.P. de la Rive-Sud de Montréal. Nous voulions vérifier laquelle des versions révisées ou du prototype était le plus efficace par rapport à l’atteinte des objectifs par les étudiants, mesurée à l’aide d’un test critérié. * Groupe de Recherche sur l’Évaluation et la Révision des Documents Audio-Visuels Éducatifs, Section de Technologie éducationnelle, Faculté des Sciences de l’Éducation, Université de Montréal. Les travaux du GRERDAVE ont été rendus possibles grâce à des subventions de l’Université de Montréal et du ministère de l’Éducation du Québec, programme FCAC.
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 | 0.009 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
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".