« Pédalant dans la semoule » en éducation physique à l’ère du COVID-19 : freins, apprentissages et attentes des enseignants des écoles publiques brésiliennes
Notice bibliographique
Résumé
Cette recherche a identifié les freins qui ont limité l’enseignement d’éducation physique à distance pendant la fermeture des écoles en raison du COVID-19 et les apprentissages des enseignants et leurs attentes en matière d’intégration des technologies numériques dans leur enseignement futur. Le cadre théorique de notre étude est ancré sur la théorie de la diffusion de l’innovation développée par Everett Rogers. Cette étude exploratoire a été menée auprès d’un échantillon de 33 enseignants d’éducation physique, qui ont répondu à un questionnaire en ligne. Les résultats montrent que la plupart des enseignants ont utilisé WhatsApp pour diriger les devoirs. Ils enregistrent des vidéos et des messages audio, utilisent des textes et vidéos repérés sur Internet pour enseigner à distance et un cinquième des enseignants préparent des polycopiés. Les enseignants ont déclaré les freins et les apprentissages de cette période, ainsi que leur intention d’intégrer davantage les technologies numériques dans leur enseignement à l’avenir. Cette période exceptionnelle de pandémie a forcé une adaptation du processus d’enseignement-apprentissage médié par les technologies numériques. Malgré tous les efforts, les inégalités sociales limitent l’accès aux technologies numériques et à l’enseignement à distance pour une partie considérable des élèves.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,005 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».