Et si nous prenions notre désir d’évaluer tout et tout le temps comme « objet » d’évaluation ?
Bibliographic record
Abstract
L’evaluation des apprentissages est en quelque sorte notre pain quotidien . Ce printemps (2017) un exces de fievre, une frenesie, un buzz s’est a nouveau manifeste a propos de la question des notes et de la sanction des etudes au Quebec. Cette frenesie s’explique selon Charles Hadji (2013) principalement par deux raisons : une bonne et une mauvaise. Et souligne-t-il, c’est plus souvent qu’autrement la mauvaise qui l’emporte, pourquoi ?... Travaillant comme equipe sur la Serendipite en Recherche et Formation, nous vous proposons d’expliciter deux analogies fondamentales relatives a l’evaluation des apprentissages : celle de Jean-Guy Blais (2014) de l’Universite de Montreal, entre les relations commerciales et l’evaluation des apprentissages ; et celle de Ken Robinson, USA (2013, 2015, 2017), qui lui propose deux principales modalites afin de garantir la valeur et la qualite des apprentissages, celle du fast-food a la McDo (efficacite) et celle des etoiles du Guide Michelin (favorisant la creativite). Nos deux auteurs insistent sur les ressemblances et les differences dans leur recours a l’analogie ou la metaphore et l’essentiel de notre travail va consister a interroger et a apprecier ses rapprochements. Ce qui precede devrait nous conduire a nous demander s’il faut avoir peur de l’evaluation des apprentissages telle que vecue lorsque l’enjeu devient de plus en plus important. Certes, toute demarche evaluative vise a fournir des donnees aussi fiables que possible en vue de prendre les meilleures decisions. Mais qu’arrive-t-il si suite a une evaluation la decision la plus importante a prendre n’est pas necessairement celle du Ministere, du gestionnaire scolaire ni meme de l’enseignant, mais plutot celle de l’eleve ?
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 | 0.044 | 0.074 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.011 | 0.027 |
| Scholarly communication | 0.026 | 0.020 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
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".