La macrostructure comme critère d’évaluation de la qualité de notes prises par des étudiants universitaires dans les modes manuscrit et numérique
Bibliographic record
Abstract
Avec l’intégration de plus en plus répandue de la technologie en classe, les apprenants voient leurs habitudes quant à la réalisation de diverses activités en classe modifiées à cause de l’affordance des technologies. Cette étude s’est intéressée plus spécifiquement aux notes réalisées dans les modes manuscrit et numérique, le but étant d’observer si l’affordance du mode, autrement dit les fonctionnalités offertes aux étudiants dans les deux modes, a un impact sur les habitudes des noteurs et sur la qualité des notes prises, et si cette dernière a un impact sur la performance à un examen. Pour nous, des notes de qualité sont des notes qui reflètent la macrostructure (MS) d’un discours source (DS). L’analyse de 10 documents de notes numériques et de 12 documents de notes manuscrites a notamment révélé qu’environ la moitié des étudiants prenant des notes numériques ont organisé leurs notes d’une façon qui ne permettait pas de faire ressortir la MS du DS tandis que tous les étudiants prenant des notes manuscrites ont réussi à le faire. Pour ce qui est du contenu des notes, tous les étudiants prenant des notes numériques ont moins bien sélectionné les informations qu’ils ont notées que ceux prenant des notes manuscrites. Il est toutefois impossible de dire si les différences dans la façon dont les notes ont été produites dans les deux modes a eu un impact sur la performance.
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 | 0.009 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".