Modélisations de contextes pour l’apprentissage par effets de contextes : un exemple sur le sujet de la géothermie
Notice bibliographique
Résumé
La prise en compte des contextes dans l’enseignement des sciences est un élément essentiel pour la compréhension des concepts scientifiques et la motivation des apprenants (King, 2012). En effet, les contextes externes des apprenants, au sens de leur environnement, participent à la construction de leurs conceptions (Van Wissen, Kamphorst et Van Eijk, 2013). Lorsque des décalages sont mis en évidence entre les conceptions d’apprenants issus de contextes différents ou entre la conception d’un apprenant et son observation du réel, on parle d’effets de contextes (Merlo-Leurette et Forissier, 2009). Les effets de contextes sont des phénomènes de rupture (De Vecchi, 1990) dans les apprentissages et peuvent prendre la forme d’affect lors d’interactions. Afin de favoriser la mise en place de pédagogies basées sur les effets de contextes, nous proposons de modéliser différents contextes géothermiques, et d’en calculer les écarts. Les écarts identifiés permettront de prévoir l’émergence d’effets de contextes lors d’un travail coopératif entre des étudiants de Montréal et de Guadeloupe. Nous décrivons par la suite une expérimentation pédagogique dont le scénario est basé sur les écarts modélisés. L’objectif est de décrire les apprentissages lors de l’expérimentation et d’identifier les effets de contextes afin d’améliorer leur caractérisation.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».