En quoi la diversité des stratégies pédagogiques participe-t-elle à la motivation à apprendre des étudiants ? Etude d’un cas particulier
Notice bibliographique
Résumé
Plusieurs chercheurs en éducation soutiennent qu’une pluralité de stratégies pédagogiques permet de profiter des avantages de chacune d’entre elles. En effet, selon Sauvé, Debeurme, Wright, Fournier et Fontaine (2007), des activités pédagogiques diversifiées offrent aux étudiants la possibilité de faire des choix et d’enrayer la routine tout en favorisant leur motivation à apprendre. Pourtant, cette pluralité de stratégies pédagogiques utilisée dans le cadre d’un même cours en lien avec la motivation à apprendre des étudiants qui en bénéficient reste peu documentée. En réponse à ce manque, cet article décrit le cas d’un professeur universitaire qui utilise plusieurs stratégies pédagogiques dans son enseignement. Les résultats de cette étude de cas, menée à l’aide d’un entretien avec le professeur, de 12 heures d’observation en classe, d’un questionnaire sur la motivation administré à trois reprises à tous les étudiants du groupe et d’entretiens menés avec dix d’entre eux, démontrent entre autres que l’enseignement dispensé par cet enseignant, en plus d’être diversifié, est motivant pour les étudiants. En effet, Carlos sort du cadre de l’enseignement traditionnel en utilisant 14 stratégies pédagogiques différentes dans son cours, offrant des occasions d’apprentissage variées qui suscitent fortement la motivation de ses étudiants. L’article présente et discute des facteurs qui contribuent à ce niveau élevé de motivation des étudiants en accordant une place importante aux stratégies pédagogiques.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».