Rendez-vous sur les classes d’apprentissage actif : première partie
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Présentation en 3 parties : 1) Présentation du projet de recherche sur les CLAAC. 2) Scénariser une activité d’apprentissage actif : l’apport de la recherche. Dans notre recherche sur les classes d’apprentissage actif, des activités ont été décrites dans des scénarios comprenant des informations clés sur la formation et le fonctionnement des équipes, les objectifs pédagogiques, la production des étudiants, le matériel utilisé, l’évaluation, etc. Nous mettrons en relation les caractéristiques des scénarios avec les indicateurs de motivation, d’engagement et d’efficacité du travail d’équipe obtenus auprès des étudiants. Les caractéristiques ayant eu les plus grands effets seront ensuite explicitées en utilisant les données d’entrevue et de vidéos. 3) Un scénario d’apprentissage actif motivant. Dans la recherche sur les conditions d’efficacité des classes d’apprentissage actif, l’analyse des résultats présentée précédemment a permis d’identifier des scénarios d’apprentissage efficaces sur le plan de l’engagement et de la motivation des étudiants. Nous présenterons un scénario d’apprentissage efficace en en faisant ressortir les caractéristiques. Ce scénario sera comparé à un scénario moins efficace.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.237 | 0.005 |
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 it