Évaluation de la qualité des notes prises par des étudiants universitaires dans les modes numérique et manuscrit
Bibliographic record
Abstract
Cette étude s’est intéressée à la prise de notes (PDN), outil d’apprentissage très important dont le processus permet la mémorisation et l’appropriation des informations et le produit, la constitution d’une mémoire externe (pour mémorisation ultérieure), chez les étudiants universitaires. Elle s’est plus spécifiquement intéressée aux notes prises dans les modes numérique et manuscrit, ce qui est d’actualité, car la mise en place du Plan d’action numérique en éducation et en enseignement supérieur depuis 2018 implique en effet une utilisation plus grande du numérique dans les classes (Gouvernement du Québec, 2019). Or, cette intégration du numérique suppose une interaction entre l’apprenant et la technologie (Li & Pow, 2011), ce qui signifie que le numérique pourrait avoir une incidence sur la façon dont les apprenants prennent leurs notes. Il s’impose alors d’analyser les habitudes de PDN des apprenants dans les modes manuscrit et numérique ainsi que l’incidence de ces façons de prendre les notes sur la qualité des notes et sur la performance. Pour ce faire, il faut notamment trouver un moyen d’évaluer la qualité de la PDN réalisée dans les deux modes. Les écrits scientifiques révèlent que des notes de qualité reflètent la macrostructure (MS) du discours source (DS), c’est-à-dire qu’elles sont organisées de façon claire et que les relations entre les idées principales et secondaires sont bien définies (Williams & Eggert, 2002). Afin d’évaluer la qualité des notes, nous avons élaboré une grille mettant en parallèle la MS d’un DS et celle des notes. Cette grille nous a permis d’analyser les notes prises dans les deux modes et de mettre ces notes, c’est-à-dire l’organisation et la sélection de leur contenu, en parallèle avec la performance à un examen afin de voir si la façon dont les apprenants prennent des notes dans les deux modes a un lien avec la performance à un examen.
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 | 0.013 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".