Les liens entre le jugement de l’enseignant sur les biais d’autoévaluation de compétence de l’élève et la qualité de leur relation
Bibliographic record
Abstract
Cette étude a deux objectifs : 1) examiner le jugement porté par les enseignants sur le caractère utile ou nuisible des biais d’autoévaluation de compétence de leurs élèves et 2) vérifier si ce jugement était lié à la qualité de la relation rapportée par eux et leurs élèves. 49 enseignants de 6e année du primaire et leurs 277 élèves (128 filles) ont répondu à un questionnaire en classe. Les résultats indiquent qu’une majorité d’enseignants considère préférable qu’un élève surévalue ses capacités plutôt que l’inverse. Ils montrent aussi que les élèves sous-évaluant leurs capacités rapportent une relation plus chaleureuse avec leur enseignant lorsque celui-ci croit qu’une telle sous-évaluation est positive. La qualité de la relation rapportée par les enseignants de ces mêmes élèves est aussi meilleure que celle qu’ils disent entretenir avec les autres élèves. Ces résultats suggèrent l’importance de poursuivre l’examen des croyances des enseignants sur les biais d’autoévaluation de compétence des élèves.
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 | 0.005 | 0.014 |
| 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 | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".