Un bel avenir pour différentes formes de tutorat
Bibliographic record
Abstract
La pandémie de COVID-19 ayant exacerbé les limites de nos systèmes et les fragilités de certains \npans de la population, différentes mesures de soutien ont été déployées. Dans le domaine de \nl’éducation, le tutorat a ainsi été vu comme un moyen de soutenir les élèves en difficultés dans ce \ncontexte sanitaire particulier. Plusieurs pays ont en effet financé, de manière plus ou moins \nimportante, le développement d’activités tutorales dans l’enseignement primaire et secondaire \nnotamment. L’exploration que nous sommes en train d’en faire concernant le Québec fait ressortir \nque, loin d’une définition et d’un pratique unifiée, le tutorat est mis en œuvre de façon différente \nd’un endroit à l’autre, en fonction des dispositifs de soutien préexistant. Toutefois, au-delà de ces \ndifférences, les retombées positives du tutorat et le fait qu’il ait été mis en place à grande échelle \ndans plusieurs États, peuvent laisser à penser que ce type d’accompagnement, connu de longue date, \ndevrait perdurer au-delà de la crise actuelle.
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 | 0.017 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.016 | 0.016 |
| Open science | 0.004 | 0.011 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.058 | 0.020 |
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".