Bibliographic record
Abstract
Le programme international pour le suivi des acquis des élèves (PISA, Organisation de coopération et de développement économiques) vise à mesurer les compétences des élèves d’environ 15 ans dans des matières fondamentales (par exemple, les mathématiques, la lecture et les sciences). Du même coup, de nombreuses modélisations édumétriques issues de la théorie de la réponse aux items (Bertrand et Blais, 2004; Hambleton et Swaminathan, 1986) ont été développées pour procéder à la mesure des compétences de ces derniers. Si les autorités politiques et économiques des pays occidentaux et asiatiques appuient généralement les épreuves à grande échelle, il est nécessaire de prendre un temps de réflexion afin de se poser la question suivante : peut-on mesurer une compétence? Plusieurs auteurs répondent positivement à cette question (Hartig, Klieme et Leutner, 2008). Par contre, une réflexion philosophique sur le sujet a de quoi rendre sceptique. D’une part, le concept de compétence est fort complexe et il ne bénéficie pas d’une définition unanimement acceptée par la communauté scientifique (Blömeke, Gustafsson et Shavelson, 2015). D’autre part, le concept de mesure est difficile à appliquer en éducation. Cet article propose une réflexion sur la mesure et la nature polysémique du concept de compétence. L’auteur tentera de démontrer qu’il est possible de lier ces deux concepts, mais cela engendre d’énormes défis théoriques et pratiques.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.020 |
| Scholarly communication | 0.010 | 0.013 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".