Quelles méthodologies peut-on utiliser pour repérer les habiletés spatiales d’étudiants ingénieurs ?
Bibliographic record
Abstract
La recherche sur les habiletés spatiales s’intéresse à qualifier les processus cognitifs qui la caractérisent. Dans le cadre du projet e-FRAN EXAPP_3D, notre recherche s’est portée sur la mesure des habiletés spatiales et des compétences de modélisation volumique d’étudiants ingénieurs primo-arrivants. Pour ce faire, nous avons investigué la mesure des habiletés spatiales la plus fréquemment observée dans les études contemporaines, c’est-à-dire les tests papier-crayon. Notre recherche a mis en évidence que la performance relevée dans ces tests n’est pas révélatrice des seules compétences visées : nos premiers entretiens ont révélé une pluralité de stratégies (cognitives, comportementales) mobilisées. Cette sensibilité des tests spatiaux aux stratégies de contournement présente le défi de définir un protocole expérimental qui permette de caractériser aussi bien la performance mesurée dans ces tâches que les compétences qui y sont mises en oeuvre. Cet article présente la méthodologie mixte que nous avons conçue pour répondre à ce double enjeu.
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 | 0.020 | 0.057 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
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".