Les rétroactions (feedback1) automatisées de TeachFX au service de la supervision pédagogique
Bibliographic record
Abstract
Le processus de supervision pédagogique et d’accompagnement individuel du personnel enseignant repose sur une collecte systématique de données en classe (observations, enregistrements, etc.) et sur des étapes préparatoires et de suivi qui mobilisent temps et ressources. Dans ce contexte, les outils de l’intelligence artificielle (IA) peuvent soutenir la supervision pédagogique en fournissant des rétroactions automatisées et des indicateurs utiles à l’amélioration de l’enseignement et des apprentissages. Cet article présente l’analyse réflexive d’un enseignant du primaire en Belgique à partir de cinq enregistrements réalisés avec l’outil d’IA TeachFX. Les analyses portent sur le temps de prise de parole, la nature des interventions et la répartition des questions ouvertes et fermées. Les résultats montrent qu’un meilleur équilibre entre transmission et participation des élèves serait nécessaire, ainsi que la diversification du questionnement pour favoriser le raisonnement et l’engagement. La discussion met en perspective l’apport de TeachFX comme complément à la supervision traditionnelle, en soulignant les conditions d’un usage réflexif, collaboratif et éthique, ainsi que les limites liées à l’interprétation et à la confidentialité des données.
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 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 | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".