L’évaluation des compétences, une entreprise impossible ?
Bibliographic record
Abstract
Comment évaluer les compétences ? Que sont les compétences ? Selon la définition classique, elles renvoient à des catégories de situations. Mais ce concept n’a guère été opérationalisé. Quand les enfants sont confrontés à la résolution d’un problème complexe, est-il encore pertinent de conserver le concept de compétence et si oui, quelle signification faut-il lui donner ? En accord avec les idées proposées par Brown, Collins & Duguid (1989), mais aussi par Resnick & Klopfer (1989) ainsi qu’avec les études cognitives sur la résolution de problèmes, nous faisons l’hypothèse que la maîtrise de la procédure spécifique adéquate n’est pas suffisante pour résoudre des problèmes complexes dans lesquels cette procédure doit être maîtrisée. La capacité des élèves à construire une représentation correcte du problème mais aussi leurs aptitudes à surmonter la surcharge cognitive sont cruciales. L’étude empirique présentée ici a été conçue pour étudier cette hypothèse. Quelques concepts mathématiques (mesure de la distance et volume, échelles, estimation du temps) ont été évalués dans différents contextes sur un large échantillon d’élèves belges de 11 et 12 ans (N = 1 436). Une partie des épreuves d’évaluation porte sur les connaissances déclaratives ; d’autres parties concernent les connaissances procédurales. L’étude montre que certaines connaissances procédurales complexes maîtrisées par certains élèves ne sont pas utilisées dans une situation qui exige une coordination de procédures. Ces constats sont discutés sous l’angle du difficile thème de l’évaluation des compétences mais également de la maîtrise d’une régulation métacognitive. Enfin, les auteurs se prononcent en faveur d’une évaluation du processus métacognitif en tant qu’une des composantes intégrées de l’évaluation des compétences.
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 | 0.015 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".