Principes de conception et dâutilisation des e-portfolios de présentation en milieu universitaire
Bibliographic record
Abstract
Cette recherche se propose d’étudier, d’un point de vue de la problématique et de la méthodologie relative à l’ergonomie humain-machine, la manière dont les e-portfolios de présentation peuvent s’insérer dans le milieu universitaire. Un e-portfolio est généralement défini comme étant une collection d’informations qui illustre la scolarité, l’apprentissage ou la vie professionnelle d’une personne à travers une sélection de résultats marquants au cours de formations ou d’études, mais aussi qui regroupe les réflexions personnelles de l’apprenant sur son apprentissage, son parcours, la planification d’une carrière ou la construction d’un CV. Tout au long de cette étude nous avons chercher à comprendre à travers une analyse ciblée des besoins comment l’apprenant peut mettre en avant une démarche réflexive tout au long de son parcours. Il s’agit aussi de comprendre comment les e-portfolios de présentation pourraient se démarquer et offrir un véritable outil de placement aux étudiants comme aux recruteurs. \nPour tenter de répondre à ces questions, nous avons procédé à des entretiens avec les recruteurs et les étudiants en vue de comprendre leurs attentes. L’ensemble des informations recueillies on permis de créer une maquette fonctionnelle sur laquelle ils ont pu interagir. Les éléments d’analyse issus de ces rencontres et des tests d’utilisabilité de l’outil nous ont permis de mettre sur pied une maquette finale.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.019 | 0.012 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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 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".