Modèle de réussite d’une communauté d’apprentissage professionnelle : la dynamique causale comme outil de dialogue et d’analyse
Notice bibliographique
Résumé
Dorénavant, l’école se doit de développer une culture nourrie par la collégialité de tous les acteurs qui amène la direction de l’école et les enseignants à oeuvrer ensemble comme collègues tout en cherchant à être apprenants les uns des autres dans l’amélioration de leur potentiel, voire du potentiel de l’équipe tout entière (Gather-Thurler, 2000). Cette équipe devrait fonctionner comme une communauté d’apprentissage où les membres apprennent les uns des autres et où le leadership est exercé à tour de rôle par les diverses personnes en tenant compte de leurs préoccupations à un moment donné. La question qui se pose est la suivante : comment peut-on favoriser un tel mode de fonctionnement? Cet article fait état d’une recherche où l’utilisation de la dynamique causale a servi à mieux définir les facteurs favorables à l’implantation réussie d’une communauté d’apprentissage professionnelle. Le groupe a identifié plusieurs facteurs qui ont été regroupés de la façon suivante : 1) le leadership de la direction d’école et des enseignants, 2) des attitudes positives pour travailler en collaboration telles que l’ouverture d’esprit, l’engagement, la volonté de partager ses connaissances, de s’entraider ainsi que de prendre des risques, l’humilité pour remettre en question le statut quo, le respect des autres, la confiance, 3) les ressources, 4) le temps pour discuter et échanger, 5) les données sur les résultats des élèves. Cet écrit fournit également aux directions d’école des occasions de réflexion sur la façon de transformer leur rôle pour laisser plus de place au dialogue collaboratif.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».