Le forum de coélaboration de connaissances (FCC) : une base de données à analyser
Bibliographic record
Abstract
L’intégration des technologies de l’information et de la communication (TIC) à l’apprentissage représente une avenue explorée à la fois par les milieux scientifique, institutionnel et scolaire afin de développer des environnements éducatifs stimulants pour les apprenants. Au Québec, L’École en réseau, un projet d’innovation technologique rassemblant 23 commissions scolaires et près d’une centaine d’écoles majoritairement de l’ordre primaire (6 à 12 ans), a mis entre autres en place le forum de coélaboration de connaissances (FCC) pour répondre à certains besoins émergents de professionnels de l’éducation en matière d’avancées technopédagogiques ainsi qu’à ceux des apprenants baignant aujourd’hui dans la culture du numérique. Cette plateforme propose entre autres un espace de collaboration sous forme de discours écrit asynchrone dans lequel chaque élève collabore et construit sa compréhension d’un phénomène, d’un problème à résoudre ou d’un texte dans le cadre de multiples activités liées à différentes matières scolaires. Les participants – élèves, enseignants et conseillère pédagogique – sont amenés à écrire des textes, de longueur et de type divers, à les annoter, à les améliorer et à les enrichir à l’intérieur d’une base de connaissances qui conserve les traces de leurs échanges sous forme de toile interactive. Cet article traite du potentiel de documentation du FCC qui permet aux utilisateurs, soit les élèves, les enseignants, les conseillers pédagogiques, voire les chercheurs, de visualiser les activités, les progrès et les habitudes d’utilisation de chacun sous différents angles grâce à ses diverses fonctionnalités. Les traces laissées par la communication asynchrone facilitent en effet, selon Gikand, Morrow et Davis (2011), l’auto-évaluation de la compréhension qu’ont les élèves du contenu en plus de leur permettre le partage de questionnements ainsi qu’une réflexion sur leur contribution aux discussions sur le forum. Le potentiel relié à l’archivage de différentes données d’un forum, tel que défini par Heinrich, Milne et Moore (2009), permet l’analyse statistique et le profilage d’élèves afin de mieux répondre à leurs besoins en tant qu’apprenants. Aussi, l’analyse des interactions (posting behaviours) et suivis de fréquentation sur la plateforme (non-posting behaviours) peut amener les enseignants et les élèves à réfléchir sur leurs pratiques et diriger leurs interventions pédagogiques (Xie, 2013).Par ailleurs, la notion de transparence comme la définissent Lafuente Martínez et al. (2015), appliquée au FCC, est également présentée ici. Celle-ci comprend les échanges entre les élèves durant la réalisation de l’activité d’apprentissage et d’évaluation : les versions antérieures du travail tout au long de la réalisation de la tâche d’écriture et tout élément témoignant de leur processus réflexif (plans, notes, schémas, etc.). Cette mise en disponibilité du brouillon des textes des élèves représente une opportunité de documenter la progression des apprentissages de l’apprenant et d’exploiter le potentiel d’autorégulation de l’évaluation formative (Pachler, Daly, Mor, Mellar, 2010).Enfin, la possibilité de suivre l’évolution de la pensée critique de l’apprenant, à savoir si celui-ci, par ses interventions sur les textes des autres, propose des commentaires qui favorisent le dialogue et qui amènent des éléments de réflexion pour faire progresser les discussions (Olofsson, Lindberg, Stödberg, 2011) est mise en relief à l’aide des interventions des élèves, recueillies à même la plateforme.
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 | 0.049 | 0.100 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.012 | 0.011 |
| Science and technology studies | 0.010 | 0.009 |
| Scholarly communication | 0.015 | 0.022 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".