Une analyse picoéconomique de l’attention à la tâched’écoliers et de l’attention de l’enseignant
Bibliographic record
Abstract
Dans le cadre de la picoéconomie, la contrainte exercée par un programme de renforcement est considérée comme le prix nécessaire à l’obtention d’un bien (Ainslie, 1992). L’allocation des réponses d’un sujet res-pecte alors la loi de la demande (Green et Kagel, 1987). La présente étude vise à illustrer l’intégration de la picoéconomie dans un contexte scolaire de salle de classe. Elle porte sur une analyse descriptive des relations entre le taux d’attention de trois écoliers d’une école primaire et différentes formes d’attention qu’ils obtiennent de leur enseignant. Ces relations sont analysées suivant trois programmes de renforcement, soit un programme à proportion variable, un programme à intervalle variable et un programme concurrent. L’étude vise à établir le type de contingences qui prédit le mieux le taux d’attention des écoliers en fonc-tion d’une perspective moléculaire (séquences comportement-conséquence de 5 minutes), locale (séquences de 10 minutes) ou molaire (moyenne quotidienne). Les résultats de cette étude de cas suggèrent qu’une analyse moléculaire permet une meilleure prédiction des comportements des enfants. En revanche, la loi de l’appariement est le meilleur prédicteur du taux d’attention des écoliers autant sur le plan moléculaire que molaire. Ces résultats sont abordés selon le modèle picoéconomique d’Ainslie (1992). Enfin, il est relevé que l’analyse quantitative des relations entre comportement et conséquence en termes de programme de renforcement telle que réalisée dans la présente étude est totalement négligée par les auteurs qui s’intéressent à l’analyse descriptive et fonctionnelle du comportement.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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; 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".