Accord interjuges des nouveaux domaines, la littératie et la numératie, de l’AEPS/EIS
Bibliographic record
Abstract
Cet article présente les degrés d’accord interjuges entre deux évaluateurs pour les nouveaux domaines, la littératie et la numératie, du Programme EIS Évaluation Intervention Suivi , une adaptation francophone de l’Assessment, Evaluation, and Programming System (AEPS). Depuis plusieurs années, les tests d’évaluation conventionnels du développement sont source d’insatisfaction pour les intervenants oeuvrant auprès d’enfants présentant des incapacités, en raison des protocoles d’administration rigides et des exercices d’évaluation éloignés des comportements naturels de l’enfant, ce que pallie l’AEPS/EIS. Ce dernier, un outil d’évaluation du développement de l’enfant, vise dans sa nouvelle édition l’introduction des domaines de la littératie et de la numératie. Les questions de recherche de la présente étude concernent les degrés d’accord interjuges entre deux évaluateurs pour chacun des deux domaines et pour chacun des buts qui les composent. L’échantillon est constitué de 32 enfants, évalués dans leur milieu de vie. Les résultats montrent un degré d’accord excellent pour la littératie et substantiel pour la numératie. Seul un but en littératie présente un degré d’accord faible. De même, seule une absence d’accord est notée pour un but de la numératie. En conclusion, les nouveaux domaines présentent des qualités psychométriques intéressantes sur le plan de la fidélité. Cette étude est un apport au processus d’élaboration des domaines de la littératie et de la numératie de l’AEPS/EIS. Néanmoins, la poursuite de la validation de l’ensemble de la nouvelle édition demeure incontournable.
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 | 0.045 | 0.145 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".