Évaluation du niveau de maîtrise des connaissances professionnelles TPACK d’enseignants du secondaire intégrant la simulation comme instrument pédagogique dans un cours : Étude de cas au Cameroun.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cette contribution propose une classification des statuts de maîtrise des connaissances professionnelles activées dans l’enseignement d’un cours à l’aide de la simulation informatique. L’évaluation des domaines de connaissances réalisée s’appuie sur la catégorisation du TPACK[1] de (Mishra et Koehler, 2006) et implique 40 enseignants des lycées au Cameroun. L’analyse des données recueillies à l’aide d’un questionnaire Likert a révélé une configuration épistémologique constituée de trois statuts dominants de maîtrise des connaissances professionnelles parmi les enseignants. La classe n°1 réfère au statut de maîtrise composée majoritairement d’enseignants possédant un niveau « insuffisant ». Elle renferme les connaissances des contenus (CK), technologiques liées aux contenus (TCK) et technopédagogiques du contenu (TPCK). La classe n°2 renvoie au statut de maîtrise pour lequel la plupart des enseignants expriment un niveau « satisfaisant ». Elle adresse les connaissances pédagogiques liées aux contenus (PCK). Enfin, la classe n°3 correspond au statut de maîtrise pour lequel les enseignants se positionnent majoritairement au niveau « d’expert ». Celle-ci inclut les connaissances pédagogiques (PK), technologiques (TK) et technopédagogique (TPK). Ces résultats ouvrent la perspective d’une réflexion sur les actions à entreprendre pour développer la professionnalité des enseignants par le biais de la formation. [1] Technological Pedagogical and Content Knowledge.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle