Apport du portfolio numérique d'apprentissage et de la vidéo pour l'autoévaluation de la compétence en production orale d'élèves du secondaire en classe de français, langue d'enseignement
Bibliographic record
Abstract
Cette étude part du constat que nous savons peu de choses sur l'utilisation du portfolio numérique et sur le recours aux autoévaluations dans un contexte d'apprentissage de la production orale. De ce constat découle notre cadre théorique, élaboré autour des modèles didactiques de l'oral (Dumais, 2010a ; Lafontaine, 2007) et des données empiriques portant sur l'utilisation du portfolio numérique et de l'autoévaluation, auxquels nous souhaitons apporter de nouvelles données grâce à notre recherche, dont l'objectif est de décrire et d'analyser l'apport du portfolio numérique pour l'autoévaluation de la compétence orale d'élèves du secondaire. Pour atteindre cet objectif, nous avons analysé globalement les autoévaluations contenues dans les portfolios et les réponses à deux questionnaires de 77 élèves de 3ème secondaire (N = 77), puis, de manière plus précise, nous avons analysé le contenu des autoévaluations de 16 de ces élèves (N = 16), qui ont également participé à une entrevue individuelle. Notre collecte de données nous a permis de décrire de quelle manière le recours au portfolio numérique d'apprentissage permettait d'accroître la capacité des élèves à s'autoévaluer.
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 | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".