Analyse de données en apprentissage d'une L2 en situation d'autonomie dans un environnement multimédia
Bibliographic record
Abstract
Cet article propose un cadre méthodologique pour traiter de l'apprentissage et de l'évaluation en Enseignement des Langues Assisté par Ordinateur (ELAO) dans le contexte de l'autonomie. En effet, en l'absence d'un paradigme qui fasse consensus, l'auteure propose une méthodologie d'analyse provenant de la résolution de problème en sciences cognitives et qui devrait être généralisable pour le traitement des données dans le contexte de l'autonomie en ELAO. Notre cadre d'analyse comprend trois stratégies générales correspondant aux connaissances préalables - régulation, mise en oeuvre, évaluation - qui permettent de distinguer les apprenant efficaces des non efficaces en situation d'autonomie puisqu'elles font appel aux connaissances antérieures. Ces stratégies générales sont croisées à six étapes de résolution de problème : lecture, analyse, exploration, planification, réalisation et vérification. L'auteure montre, à travers deux études empiriques qu'elle a menées, que le cadre de résolution de problème fonctionne bien et permet d'évaluer l'efficacité des apprenants en situation d'autonomie dans l'environnement de l'ELAO. Elle suggère que ce cadre de résolution de problème soit utilisé dans d'autres études sur l'apprentissage dans différents environnements informatiques afin de lui donner de la robustesse et une plus grande généralisation et ainsi, de permettre au domaine d'opter pour le paradigme cognitif qui deviendrait alors consensuel.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".