L’enseignement des mathématiques dans l’enseignement spécialisé est-il pavé de bonnes analyses d’erreurs?
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
La mise en oeuvre de nouveaux moyens d’enseignement mathématiques en Suisse Romande vise, entre autres, à modifier le statut de l’erreur en classe. On tend à la considérer comme un support possible pour les apprentissages des élèves et on encourage de plus en plus les enseignants à travailler en ce sens. Des cours de formation continue concernant l’erreur leur sont ainsi proposés, selon un modèle qui procède : du repérage de l’erreur, de la description de la procédure qui l’a provoquée, de la recherche d’une ou de plusieurs origines possibles, de la mise en place d’un dispositif pour tester la pertinence des hypothèses effectuées et de la proposition d’activités de remédiation. Nous pensons toutefois que bon nombre d’erreurs que nous avons repérées dans le champ de l’enseignement spécialisé se prêtent mal à une telle analyse et nous en donnerons quelques exemples. Nous essaierons aussi de montrer en quoi la question de l’erreur est une question sensible dans l’enseignement spécialisé et comment elle est susceptible d’influer sur l’enseignement des mathématiques qui s’y trouve dispensé. Nous parlerons également des difficultés à utiliser l’erreur comme support pour favoriser les apprentissages dans l’enseignement spécialisé. Nous conclurons enfin par l’énoncé de quelques perspectives concernant la place de l’erreur dans la formation en enseignement des mathématiques des enseignants spécialisés.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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