Conception d'une grille d'analyse des langages de programmation utilisés en algorithmique dans le programme Techniques de l'informatique
Bibliographic record
Abstract
L’algorithmique est le fondement logique de la programmation. La sélection d’un langage de programmation pour l’apprentissage et l’enseignement de l’algorithmique pour ordinateurs est une décision d’une importance capitale. En effet, les répercussions de ce choix sont multiples et affectent profondément les étudiants et étudiantes. La personne ou l’équipe responsable de ce choix porte une lourde responsabilité lors de cette prise de décision. Malheureusement, peu d’outils encadrent la réflexion sur ce sujet. Cet essai décrit le processus de conception d’une grille d’analyse des langages de programmation permettant de guider le, la ou les responsables de ce choix. Concrètement, l’objectif général de cette recherche développement est de concevoir une grille d’analyse des langages de programmation pour l’apprentissage et l’enseignement de l’algorithmique dans le cadre du programme Techniques de l’informatique au collégial québécois pour permettre à un enseignant, une enseignante ou une équipe de sélectionner le langage de programmation le plus approprié pour leurs étudiants et étudiantes, et pour faciliter leur rapport aux savoirs algorithmiques. À l’aide d’un cadre de référence de questionnement didactique selon Lapierre (2008) et en y intégrant divers cadres de références secondaires, cette recherche procédera à l’atteinte des objectifs spécifiques suivants : 1. Dégager les attributs d’un langage de programmation pour l’apprentissage et l’enseignement de l’algorithmique adapté aux besoins des cours de programmation introductifs en Techniques de l’informatique au niveau collégial québécois. 2. Mettre au point une grille d’analyse des langages de programmation à partir des attributs dégagés. 3. Valider la grille d’analyse auprès de pairs quant à son utilité pour le choix d’un langage de programmation approprié. La méthodologie encadrant la démarche de recherche est basée sur le modèle de recherche développement proposé par Loiselle et Harvey (2009). Ce modèle propose cinq phases macroscopiques : l’origine de la recherche, le référentiel, la méthodologie, l’opérationnalisation et les résultats. La phase « origine de la recherche » du modèle est détaillée dans le chapitre 1 de cet essai, la problématique, tandis que la phase « référentiel » est décrite dans le chapitre 2, le cadre de référence. Le troisième chapitre de cet essai décrit la phase « méthodologie » de la recherche développement. Finalement, les phases « opérationnalisation » et « résultats » du modèle de Loiselle et Harvey sont présentés ensemble dans le dernier chapitre de l’essai : la présentation et l’interprétation des résultats. Une première version de la grille d’analyse des langages de programmation est produite pour être ensuite soumise à des pairs pour une collecte de données. L’analyse de ces données permettra la création d’une version améliorée de la grille : ce sera le produit final issu du processus de développement documenté dans cet essai et elle est présentée à la fin du chapitre 4.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".