MétaCan
Menu
Retour à la cohorte
Enregistrement W3029422822 · doi:10.7202/1068831ar

Mettre en place des conditions gagnantes pour favoriser l’apprentissage : un atout pour la diététiste/nutritionniste

2020· article· fr· W3029422822 sur OpenAlexaffvenue
Hélène Gayraud, Béatrice Pudelko, Lise Lecours

Notice bibliographique

RevueNutrition, science en évolution · 2020
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueEducation, sociology, and vocational training
Établissements canadiensUniversité TÉLUQ
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

La diététiste/nutritionniste, peu importe son champ de pratique, est toujours appelée à travailler au développement de compétences des personnes avec lesquelles elle collabore (clients, patients, employés). Ce développement de compétences, sans s’y limiter, exige l’acquisition de connaissances, qu’on souhaitera favoriser. L’approche cognitive reconnaît la complexité des aspects socioculturels de l’apprentissage, lesquels sont étroitement liés à l’acquisition de connaissances. Ainsi, les professionnels de la santé ont avantage à tirer profit de ce que proposent les sciences cognitives dans leurs interventions et leur planification. La prise en considération des acquis des individus et des groupes et la structuration des connaissances autour de tâches concrètes et authentiques sont deux types de conditions qui peuvent être mises en place afin de favoriser le développement de compétences. Concrètement, le respect de ces conditions se traduit par la sélection et l’utilisation de stratégies pédagogiques appropriées, dans une intervention individuelle comme de groupe. Les questions, le dialogue, les analogies, les exemples, les schémas et graphiques, les mises en situation, les jeux de rôles et les exercices sont tout autant de stratégies à exploiter pour faciliter l’apprentissage. Bien que parfois utilisées de façon intuitive, le professionnel gagne à en saisir le fondement afin d’en faire une sélection et une mise en œuvre judicieuses.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,570
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0040,009
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,117
Tête enseignante GPT0,404
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNutrition, science en évolutionMême sujetEducation, sociology, and vocational trainingTravaux en français237 207