Machine learning for end-users: exploring learning goals and pedagogical content knowledge
Bibliographic record
Abstract
L’apprentissage automatique (AA) est devenu rapidement une expertise recherchée, ceci dans de nombreux domaines. La demande en compétence augmente plus vite que l’offre. Cela se reflète dans l'état actuel de la recherche sur l'enseignement de l’AA où il y les travaux peu nombreux restent principalement focalisés sur les étudiants en informatique. Pour développer ce domaine de recherche, cette thèse se concentre sur la façon d'enseigner l’AA aux adultes n’ayant une pas de formation technique. Nous avons mené dix entretiens avec des professeurs d'université pour recueillir leur connaissance du contenu pédagogique (CCP) - connaissance des instructeurs sur la façon d'enseigner un sujet particulier. Dans l'analyse qualitative, nous avons en particulier identifié les différents aspects de la CCP, commes les préconceptions, les barrières à la compréhension des étudiants et les tactiques pédagogiques utilisées par les enseignants. Cela inclut respectivement la surestimation l'AA, les difficultés mathématiques et la la sélection stratégique des cas d’étude. De cette analyse qualitative s’est dégagée une série d’objectifs pédagogiques pour lesquels nous avons établi une classification suivant la taxonomie Structure of Observed Learning Outcomes (SOLO). Les objectifs faciles à enseigner, comme par exemple le traçage des algorithmes, correspondent aux bas niveaux de notre classification SOLO. Inversement, les objectifs considérés comme difficiles à enseigner sont associés aux niveaux élevés. Cela indique que les algorithmes eux-mêmes ne sont pas la partie difficile de l’apprentissage de la AA. Les résultats de notre CCP ont ensuite été organisés selon cette taxonomie pour présenter une liste des obstacles rencontrés par les étudiants et les stratégies d’enseignement associées en relation avec chaque étape de SOLO. Cette organisation fournit un guide utile pour faire progresser les étudiants selon la taxonomie SOLO en anticipant mieux leurs difficultés tout en proposant des tactiques pédagogiques pertinentes. Nous concluons par des considérations pratiques basées sur des questions critiques pour la conception de cours pour les éducateurs d’aujourd’hui ainsi que plusieurs orientations prometteuses pour l’innovation dans l’enseignement de l’AA couvrant les outils de visualisation et la programmation pour les utilisateurs finaux
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".