Comment appréhender une littératie en évaluation pour décrire et comprendre le développement des compétences des enseignants ?
Bibliographic record
Abstract
Notre recherche interroge dans quelle mesure la littératie en évaluation (LE), peu développée dans la communauté de recherche francophone, apparaît porteuse pour décrire et comprendre le développement de compétences chez six enseignants de mathématiques et de français du secondaire, en Suisse romande. L’analyse des données issues d’un dispositif de formation favorisant les échanges et la création d’épreuves sommatives en exploitant des apports théoriques spécifiques permet d’explorer le développement dynamique des compétences des enseignants, et par le fait même, celui de leur LE, à l’aide d’une méthodologie exploitant les dimensions recensées dans la littérature contemporaine. Plus précisément, nos résultats montrent que les pratiques d’évaluation gagnent en cohérence, mais que les pratiques de notation rencontrent toujours des obstacles. La LE s’inscrit ici dans une épistémologie située et non technique. Elle montre toutefois la nécessité d’élargir encore l’analyse des négociations menées par les enseignants dans leurs pratiques évaluatives pour mieux en comprendre les caractéristiques.
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 | 0.076 | 0.116 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.006 | 0.011 |
| Scholarly communication | 0.018 | 0.020 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.009 | 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".