Bibliographic record
Abstract
Depuis la mise en place de programmes centrés sur le développement des compétences, l'évaluation des apprentissages fait l'objet de nombreux questionnements de la part des acteurs des milieux de formation. Les questionnements se sont accentués depuis le virage obligé vers l’enseignement à distance en raison du contexte pandémique. Plusieurs enseignants témoignent de préoccupations grandissantes. Comment évaluer lorsque les élèves ne sont pas là? Comment vérifier qu’ils ne trichent pas et que ce sont bien leurs réponses qu’ils retournent? Le risque du plagiat augmente avec la distance alors que les évaluations constituées d’items à choix multiples (QCM) ou d’items à réponse courte sont favorisées par les outils numériques. Bien qu’ils facilitent les rétroactions en période d’enseignement à distance et diminuent le temps de correction, ces types d’items ne permettent pas d’évaluer tous les objets d’apprentissage visés. C’est bien là que le bât blesse. Évaluer des compétences ne se fera pas par QCM. Il devient essentiel de revenir à l’essentiel, soit comment évaluer les compétences, et ce, malgré la distance. Cet article propose une réflexion sur l’évaluation scolaire et présente un modèle de questionnements des visées de l’évaluation à distance.
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 | 0.011 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.006 | 0.017 |
| Scholarly communication | 0.020 | 0.010 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.006 |
| 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".