Bibliographic record
Abstract
L’approche par objets d’apprentissage (OA) et l’approche par langage de modélisation pédagogique (LMP) constituent deux tendances en matière d’ingénierie de l’apprentissage en ligne. La première consiste, d’une part, à réutiliser au mieux des ressources existantes lors de la création d’une nouvelle situation d’apprentissage en ligne et, d’autre part, à indexer les ressources créées et à les mettre à disposition d’autrui. La seconde approche consiste à utiliser un LMP pour décrire des situations d’apprentissage en ligne et, par ce moyen, à créer un cadre d’agrégation d’OA; un tel langage permet de produire des scénarios pédagogiques. Bien que de nombreux travaux se soient préoccupés des OA et des LMP, peu d’entre eux ont porté sur la validation de scénarios pédagogiques. Après avoir introduit ces travaux, nous présentons une approche de scénarisation pédagogique dont l’objectif est de produire des scénarios cohérents au regard des compétences visées et associées aux différents éléments du scénario (notamment des OA). Selon nous, c’est une solution pertinente pour tendre vers la production de formations en ligne de qualité. Les technologies du web sémantique et l’ingénierie ontologique sont mises à profit afin de concevoir LÉO, un outil logiciel d’assistance à la scénarisation pédagogique.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.005 | 0.002 |
| Insufficient payload (model declined to judge) | 0.874 | 0.891 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".