Systèmes d'aide à l'apprentissage et au rendement : le dossier personnel d'apprentisage : livre blanc-études sur utilisateurs
Bibliographic record
Abstract
Le SAAR est un système d’aide à l’apprentissage et au rendement élaboré par le Conseil national de recherches du Canada (CNRC) pour répondre à tous les besoins de perfectionnement et de formation, et finalement, pour le développement et l’amélioration de carrière. Le SAAR mise sur l’enseignement individualisé avec de l’aide adaptée au contexte. Parmi les principaux projets de développement technologique qui s’y rattachent figurent les suivants : réseau et marché des services d’apprentissage; perfectionnement et reconnaissance automatisés des compétences; assistant en apprentissage personnel permettant de voir les formations, de les actualiser et d’y accéder; gestion du dossier d’apprentissage et de formation et des acquis pédagogiques de l’individu durant sa vie. Un autre projet de recherche élargira les ressources du SAAR en vue de mettre des activités et des données reposant sur la simulation à la disposition de groupes en ligne précis, l’objectif étant de créer de nouveaux algorithmes comme des applications de recommandation et d’analyse articulées sur les activités d’apprentissage pratiques. Le programme SAAR du CNRC a pour principal objectif de concevoir, de déployer, de perfectionner et de commercialiser un système électronique qui aidera les gens à rehausser leur performance aux études et au travail.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
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".