Il est temps de faire la promotion du créacollage numérique!
Bibliographic record
Abstract
C HRONIQUE • Intervention éducativeLes stratégies d' écriture utilisées par les étudiants universitaires actuels diffèrent de celles qui étaient privilégiées encore récemment.Ils utilisent une variété d' outils technologiques (ordinateurs, tablettes, téléphones intelligents), des logiciels de traitement de texte et de révision.De plus, le Web leur permet de trouver facilement et rapidement une quantité phénoménale d'information qu'ils peuvent intégrer dans leur propre texte.L' écriture et la lecture restent au coeur de la réussite universitaire, mais celles-ci peuvent être abordées sous différents angles, comme en témoignent les nombreux concepts dérivés de la littératie : littératie numérique, multimodale, universitaire, critique, informationnelle, etc. Si les compétences concernées et les habiletés qui les soutiennent sont variables et extensives, soulignons particulièrement les compétences informationnelles et scripturales.Ainsi, les compétences informationnelles serviront à chercher, trouver, évaluer et sélectionner l'information pertinente à la rédaction de leur travail.Les compétences scripturales, qui incluent la planification, la mise en texte, la correction et la révision, seront bien utiles pour écrire le travail en faisant des liens intertextuels.Ceux-ci, assurés par la paraphrase et la citation, devront être bien identifiés, tant dans le texte que dans la section des références. Compétences et stratégies de créacollage numériqueLorsqu'ils mobilisent ces compétences, les natifs du numérique ont recours à des stratégies de créacollage numérique (SCN) (Peters, 2015) afin de faciliter tout le processus de production d'un travail.Les étudiants qui y ont recours trouveront diverses informations du
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.070 | 0.020 |
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".