Joc negre: misteris per a resoldre
Bibliographic record
Abstract
El material que trobareu en aquest llibre és resultat de moltes experiències didàctiques amb alumnes de nivells, edats i característiques ben diverses. La llavor del projecte, però, va començar a germinar de la mà de Maria Fernández i Pou a dos instituts de Banyoles, el Pere Alsius i el Pla de l’Estany, amb alumnat de primer i segon d’ESO. Els resultats no es van fer esperar: als alumnes els agradava llegir, pensar en els enigmes que se’ls havia plantejat i escriure informes per justificar les solucions que hi havien trobat. La proposta funcionava. El que presentem aquí és una versió revisada i ampliada d’aquells primers enigmes. És fruit de la col·laboració entre sis professionals de la didàctica de la llengua. Cadascun de nosaltres ens especialitzem en una àrea diferent de la lingüística, però creiem que totes són igual d’importants. Per això, hem procurat que el conjunt de casos que proposem requereixin posar atenció a diversos aspectes del sistema i practicar habilitats complementàries. Les icones explicades a la pàgina 12 assenyalen en quins posa el focus cada cas: lèxic, morfosintaxi, fonètica, ortografia i puntuació, discurs oral, coneixement del món, varietats o lògica. L'obra ha estat possible gràcies al suport del Deganat de la Facultat d’Educació i Psicologia i del Departament de Didàctiques Específiques, del Consell Social de la UdG i de la Diputació de Girona
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.010 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.011 |
| Insufficient payload (model declined to judge) | 0.048 | 0.029 |
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".