Twitter pour apprendre en mathématiques : Quel potentiel et quels enjeux pour l’enseignant et pour le chercheur?
Notice bibliographique
Résumé
Bien que l’usage des médias sociaux fasse partie intégrante de notre vie sociale, la fonction principale de cet outil ne semble pas être d’apprendre. En prenant l’exemple particulier de Twitter, on retrouve toutefois des initiatives, encore peu répandues, pour apprendre différemment. Cet article de praticiens comporte deux volets. Dans un premier temps, nous abordons le potentiel de Twitter sous l’angle du développement professionnel (Larsen, 2016; Larsen et Liljedahl, 2017), à la fois pour l’enseignant et pour le chercheur, pour s’informer, réseauter, argumenter, puis développer des compétences numériques (essentielles pour le 21e siècle). Dans un deuxième temps, nous partageons notre expérience d’enseignant et de chercheur afin de dégager le potentiel et les enjeux de Twitter pour apprendre en mathématiques au secondaire. Il sera notamment question d’opportunités pour faire des mathématiques différemment et repousser les limites de la classe, ce qui est d’intérêt à la fois pour l’enseignant et pour le chercheur.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,017 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,010 |
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 ».