Les enjeux et défis d’accompagnement d’enseignantes et d’enseignants dans l’évaluation des apprentissages à l’aide de technologies collaboratives au primaire et au secondaire
Bibliographic record
Abstract
Évaluer les apprentissages, tant pour mieux les soutenir que pour y reconnaitre les acquis (Allal et Laveault, 2009; Ministère de l’Éducation, 2003), est l’une des compétences de l’enseignante et de l’enseignant (Ministère de l’Éducation, 2020). Afin de tirer profit des usages du numérique en matière d’évaluation des apprentissages, le projet de recherche-action ÉCRAN (Évaluation Collaborative Réussie des Apprentissages par le Numérique, FRQSC, 2020-2023) a voulu rendre compte de l’activité des élèves en situation de comprendre ou de résoudre un problème en collaboration. À cette fin, de l’accompagnement a été offert au cours de l’activité de codesign. Le présent article traite des enjeux et défis d’accompagnement de deux sites distincts alors que les enseignantes et les enseignants qui y participent ont dû se préoccuper d’alignement lors de la mise en place de nouvelles séquences enseignement-apprentissage-évaluation, cela dans le contexte pandémique 2020-2021. Six catégories d’enjeux et cinq catégories de défis associées aux usages du numérique aux fins d’évaluation des apprentissages réalisés en collaboration chez des élèves du primaire et du secondaire ont été repérés.
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 | 0.110 | 0.172 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.007 | 0.013 |
| Scholarly communication | 0.019 | 0.013 |
| Open science | 0.003 | 0.013 |
| Research integrity | 0.004 | 0.004 |
| 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".