[ Compte rendu du livre "Classroom assessment techniques : a handbook for faculty" de PKCross et TAAngelo]
Bibliographic record
Abstract
Améliorer la qualité de l'enseignement est un défi de société qui invite à revoir le contenu et les exigences des programmes de formation, les politiques d'admission et d'encadrement des élèves, les orientations à donner à la formation et au perfectionnement des maîtres, le volume et les modalités d'attribution des ressources à consacrer à l'éducation.Mais c'est aussi, comme le démontre Janet G. Donald 1 , une préoccupation de recherche qui a donné lieu, ces dernières années, à une variété de travaux, dont deux encyclopédies récentes présentent l'essentiel des résultats obtenus, de même que les principales questions qui retiennent l'attention des chercheurs. 2 Il y a là matière à plusieurs programmes de recherche ambitieux et complexes, qui seront généralement l'œuvre de spécialistes dans le cadre de projets subventionnés.Plus souvent qu'autrement, le professeur « ordinaire » ne se sent pas directement ni immédiatement concerné par ces entreprises sophistiquées et exigeantes.Tout au plus souhaite-t-il pouvoir tirer parti des retombées concrètes de ce genre d'études.Pour prestigieuse et nécessaire qu'elle soit, cette avenue n'est pourtant qu'une des voies que l'on peut emprunter pour participer au vaste mouvement de la recherche en éducation.Un tout récent ouvrage de K. Patricia Cross et Thomas A. Angelo suggère une piste accessible à tout professeur, celle de la recherche en classe (« classroom research ») dont on peut exprimer la visée en ces
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.012 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.029 | 0.016 |
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".