L'évaluation diagnostique pour donner la mesure en début de cours
Bibliographic record
Abstract
Afin que les apprentissages soient motivants et réussis, il s’avère judicieux de planifier les contenus de cours et les stratégies pédagogiques en considérant les intérêts, les préférences et les rythmes d’apprentissage des étudiants, ainsi que leurs connaissances antérieures et leurs préconceptions au sujet de la matière. Dans le modèle de questionnement didactique au collégial, ces éléments concernant les apprenants avec lesquels un professeur doit composer lorsqu’il prépare un cours ou une leçon sont regroupés sous le concept de « rapport des étudiants aux savoirs ». Les étudiants, en vue de bien se préparer à réaliser les apprentissages, doivent avoir une idée globale de ce qu’ils auront à apprendre et être en mesure de se situer au regard de ces apprentissages; de son côté, le professeur, afin de valider ses choix didactiques et pédagogiques concernant un groupe d’étudiants, doit mieux connaitre les personnes à qui il s’adressera. L’évaluation diagnostique, qui semble un outil sous-évalué et sous-utilisé dans le réseau collégial, représente un moyen efficace de recueillir l’information nécessaire pour répondre à ces besoins. L’auteur présente le potentiel de cette stratégie pédagogique ainsi que quelques exemples d’application issus de sa pratique pouvant inspirer les professeurs de toutes les disciplines.
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 | 0.030 | 0.105 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.008 | 0.004 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".