Apprendre aux futurs enseignants à faire analyser des documents en classe d’histoire : un « verrou d’apprentissage »?
Notice bibliographique
Résumé
Depuis les années 60-70, en francophonie, les activités d’analyse de documents ont été promues dans l’enseignement de l’histoire, parallèlement à la mise en avant des finalités intellectuelles critiques et des finalités citoyennes assignées à cette discipline scolaire. La présente étude qui porte sur une cohorte de 19 étudiants futurs enseignants au terme de leur formation à l’Université de Liège (Belgique) indique que la compétence à concevoir des activités d’analyse documentaire est source de difficultés d’apprentissage majeures. L’approche Decoding the Disciplines (Middendorf & Pace, 2004; Pace, 2017) permet de les éclairer. Ces difficultés renvoient à l’existence de préconceptions qui mettent l’accent sur les finalités culturelles et civiques plutôt que sur les finalités intellectuelles critiques et citoyennes. Cette approche suggère également des pistes pour lever ces difficultés, essentiellement en rendant explicites et opérationnelles les tâches dont les étudiants doivent avoir la maîtrise, en explicitant et en débattant des conceptions de la discipline scolaire et en développant l’évaluation formative.
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 | 0,018 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,018 |
| Communication savante | 0,022 | 0,011 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».