Pour une scénarisation des activités d’évaluation des apprentissages dans les EIAH
Bibliographic record
Abstract
Les évaluations produites par les Environnements Informatiques pour l’Apprentissage Humain (EIAH) ne sont que très peu utilisées par les enseignants. Cela semble justifié par le peu de moyens d’actions offerts par l’EIAH sur ses processus et méthodes d’évaluation. En outre les méthodes d’évaluation sont rarement explicites, les résultats d’évaluation sont alors très difficiles à comprendre. Les dispositifs de scénarisation et en particulier LDL (Learning Design Language) sont un réel apport dans la résolution de cette problématique. En effet, la scénarisation permet de spécifier et d’adapter finement les activités pédagogiques aux besoins des praticiens. En ajoutant quelques adaptations, les dispositifs de scénarisation peuvent également permettre de scénariser l’évaluation des apprenants dans ces activités. En nous appuyant sur LDL, nous avons démontré la faisabilité de la scénarisation de l’évaluation qui est non sans incidences sur l’ingénierie de la scénarisation pédagogique.
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 | 0.018 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".