Évaluation de la mesure «Modèles novateurs». Compilation et analyse des données. Programme de soutien à l’école montréalaise du Ministère de l’Éducation du Québec
Bibliographic record
Abstract
Globalement, les enseignants attribuent aux Modèles novateurs la vertu d'avoir stimulé la motivation et la persévérance des étudiants ainsi que celle de les pousser à la\nréussite éducative (Question 12). 57,2% des répondants affirment avoir trouvé les\nactivités proposées par le programme suffisamment variées et ont apprécié la souplesse et le grand choix de modèles novateurs. Ceux ayant une opinion plus mitigée quant au programme lui reprochent d'avoir négligé certaines clientèles ou mis de côté certaines disciplines ou domaines de compétences et d'être difficiles à gérer à cause de lourdeurs administratives (Question 21). Néanmoins, la majorité retiennent une expérience positive de leur participation au projet des Modèles novateurs, celles-ci allant de l'appréciation de la motivation amenée chez les étudiants à celle des expériences artistiques vécues ou celle de l'amélioration du climat institutionnel et interelationnel (Question 14).\n \nÉtant donné la grande hétérogénéité des réponses, il est important de se référer\naux analyses qualitatives et quantitatives de chaque question pour plus de détails sur\nles réponses qu'ont fournies les enseignants ayant pris part à l'enquête. Les données\ncitées dans ce rapport ne visent qu'à fournir un panorama des tendances des réponses fournies: elles ont donc dû écarter plusieurs données qui, malgré tout, pourraient s'avérer intéressantes.
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 | 0.043 | 0.136 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".