Apprendre à lire, à écrire et à parler de sciences : un modèle pour guider la croissance d’une communauté d’apprentissage didactique
Notice bibliographique
Résumé
Apprendre à lire, à écrire et à parler de sciences : un modèle pour guider la croissance d'une communauté d'apprentissage didactique Liliane Dionne Université d'Ottawa RésuméLa communauté d'apprentissage « didactique » visant spécifiquement le développement professionnel des enseignants en sciences nécessite que des études plus approfondies soient effectuées pour mieux accompagner les praticiens dans l'ajustement de leur répertoire de pratiques en enseignement des sciences et de la technologie.Une analyse critique du concept de littératies multiples fournit certaines assises pour orienter ces communautés d'apprentissage didactiques en sciences et en technologie, en fournissant des modèles et des outils pour guider l'accompagnement.Étant orienté spécifiquement vers les sciences, le modèle « d'Investigation guidée pour le développement des littératies multiples » (IGdLM) est susceptible d'inspirer les enseignants (Palincsar, Magnusson, Marano, Ford et Brown, 1998) au sein d'une communauté d'apprentissage didactique.Travailler conjointement à développer des pratiques pédagogiques qui incitent les élèves à lire, écrire et parler de sciences peut guider l'enseignant pour améliorer l'apprentissage des sciences en classe (Lemke, 1990).Ce texte aborde également le contexte minoritaire francophone en Ontario et le double défi qu'il présente pour les enseignants qui désirent ajuster leur répertoire de pratiques dans le domaine des sciences et de la technologie.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,027 |
| Communication savante | 0,019 | 0,017 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».