Instrumentation numérique de la rédaction incrémentale : leçons tirées de la mise à l’épreuve du carnet numérique de l’élève chercheur
Bibliographic record
Abstract
Dans une perspective d’évaluation d’EIAH (environnements informatiques pour l’apprentissage humain), nous étudions dans cette recherche les changements de pratiques d’enseignement liés à l’utilisation, en contexte scolaire, du CNEC (carnet numérique de l’élève chercheur), une application numérique instrumentant la rédaction incrémentale entre l’enseignant et les élèves. Au prisme du concept de contradiction développé dans la théorie de l’activité d’Engeström, nous cherchons à appréhender les difficultés associées à la rédaction incrémentale. Pour cela, nous avons mené des groupes de discussion et des observations en classe, avant et après l’introduction de l’application. Nos résultats corroborent l’hypothèse selon laquelle, dans un contexte de démarche d’investigation, l’instrumentation numérique de cette approche permet de mieux réguler l’activité des élèves que l’instrumentation papier. Par ailleurs, les entretiens collectifs révèlent que le rapport que les élèves entretiennent aux erreurs s’en trouve modifié, la correction de celles-ci étant moins considérée comme une sanction. La nécessité pour l’enseignant d’investir davantage de temps dans la formulation des retours ainsi que la multiplication des instruments, avec une redondance partielle entre instruments papier et instruments numériques, permettent de croire que de nouvelles contradictions pourraient émerger avec l’utilisation d’un tel EIAH. Mots-clés : rédaction incrémentale, EIAH, évaluation, numérique
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 | 0.020 | 0.086 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".