Parcours pédagogiques sur Claroline: les devoirs à la maison
Bibliographic record
Abstract
L‘instanciation de l‘usage des nouvelles technologies au regard des sciences de l‘éducation n‘est efficace que si les pratiques pédagogiques s‘adaptent à la nature propre de ces nouveaux outils qui sont aussi avant tout, des médias. Ils ont la potentialité de développer des dispositifs pédagogiques où la motivation et l‘interactivité sont les moteurs de base liés à l‘information, l‘activité et la production. Cette nouvelle manière d‘enseigner peut se révéler particulièrement efficace dans les apprentissages dits, de résolution de problème, collaboratifs et par projet. Cependant, l‘investissement dans la maîtrise de ces outils est chronophage et peut être un réel frein dans leur usage par les enseignants s‘il n‘est pas accompagné dans l‘acquisition. Si des pays comme le Canada ou la Finlande sont pionniers dans le domaine et si les universités ont généralisés l‘usage de ces outils, force est de constater que l‘enseignement et notamment le secondaire, en Suisse, est en retard dans ce genre de pratique qui n‘est guère institutionnalisée. Pourtant, l‘étude de l‘outil CLAROLINE m‘a montré que ses fonctionnalités sont particulièrement adaptées à cette manière d‘apprendre orienté vers la découverte notamment, à travers les parcours pédagogiques et les travaux à remettre. Cette dernière fonctionnalité étant une possibilité de diagnostic permettant à l‘enseignant de faire le point sur sa pratique et de l‘évaluer pour la corriger. L‘expérimentation m‘a montré que l‘usage d‘une plateforme pédagogique permet de diversifier sa pratique, de gérer l‘hétérogénéité d‘une classe et de développer chez les élèves l‘habitude de chercher l‘information par eux- mêmes, de créer ensemble du savoir et renforcer ainsi, une capacité à l‘autonomie et la confiance en soi qui me semblent être l‘essentielle pour apprendre à apprendre.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.046 | 0.009 |
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".