Interfaces Elève-Machine pour apprendre à partir des contextes
Bibliographic record
Abstract
L’enseignement des sciences naturelles vise a permettre aux enfants de construire une representation rationnelle de leur environnement. Pour ce faire, il est habituel de construire des enseignements authentiques mettant en place une demarche d’investigation ancree dans un contexte ecologique particulier. Des travaux anterieurs ont decrit les effets de contexte comme des evenements se produisant en situation d’apprentissage lorsque les contextes de deux acteurs sont differents. Postulant que ces effets de contexte peuvent etre consideres non comme une limite a l’apprentissage mais comme un atout, nous avons mis au point une innovation pedagogique afin d’observer, de decrire et de modeliser les modalites d’emergences des effets de contextes. Les apprentissages etudies portent sur l’etude de grenouilles singulieres (Lithobates catesbeianus, Euleutherodactylus sp.) par des enfants de 10 a 13 ans de Guadeloupe et du Quebec. La sequence pedagogique inclut notamment un environnement numerique de travail, des visioconferences regulieres et une demarche d’investigation sur le terrain assiste par ordinateur. Dans une methodologie de design based research, des donnees de differents types (questionnaires, enregistrements, productions d’eleve par exemple) ont ete collectees. Les resultats preliminaires permettent de decrire differents types d’expression des effets de contexte. Une modelisation de leur emergence est menee a partir des differences entre les contextes ecologiques sur lesquels les eleves travaillent. Elle vise a fournir des outils predictifs pour le chercheur comme pour le concepteur d’enseignement.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.009 |
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".