FORCES 3 : Exploitation à des fins pédagogiques des données d’un portail d’apprentissage de l’autogestion de la douleur. Développement d’une architecture de collecte et d’analyse de données et d’un module de suivi du développement des compétences
Bibliographic record
Abstract
Le développement des environnements numériques d’apprentissage (ENA), en plus de permettre un accès plus facile au savoir pour tous, présente un nouvel éventail de possibilités pédagogiques. Les infrastructures de données intrinsèquement liées aux technologies du Web favorisent l’apprentissage adaptatif et la personnalisation des parcours. C’est le cas de la plateforme en ligne Gérer ma douleur, qui propose un ensemble de ressources pour les personnes souffrant de douleurs chroniques afin de les aider à mieux les gérer. Dans le cadre du développement de cette plateforme, l’équipe de recherche-développement a procédé à l’étude de l’usage de ces infrastructures de données, pour proposer de nouvelles offres et fonctionnalités de façon à soutenir les parcours d’apprentissage. Un module de suivi de parcours d’apprentissage a été développé en partenariat avec de potentiels futurs utilisateurs, en suivant une méthodologie de prototypage rapide. De plus, un système de collecte et d’observation des données d’interactions des utilisateurs avec la plateforme a été mis en place en utilisant la norme xAPI, dans l’optique d’améliorer le fonctionnement du dispositif d’apprentissage et les différentes ressources éducatives.
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 | 0.008 | 0.019 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.028 | 0.011 |
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".