Tutorat auprès d’apprenants en situation de handicap : quels apprentissages pour les étudiants-tuteurs d’une Grande École d’ingénieurs?
Notice bibliographique
Résumé
Les établissements d’enseignement connaissent depuis une dizaine d’années une augmentation importante des élèves et étudiants en situation de handicap (SH). Plusieurs de ces apprenants rencontrent des défis reliés à l’apprentissage ou à l’intégration scolaire et sociale. Pour les aider à remédier à ces difficultés, une Grande École d’ingénieurs française a déployé un programme de tutorat qui consiste à offrir un soutien disciplinaire et méthodologique à des apprenants en SH. Étant donné le caractère novateur de ce projet, nous avons mené une recherche qualitative afin d’appréhender l’expérience de 12 étudiants-tuteurs de cette Grande École ayant documenté dans un journal d’expériences chacune des séances offertes à leur tutoré. L’analyse des données met en évidence les multiples apprentissages réalisés sur les plans pédagogiques (adaptation de leurs enseignements et leurs approches), personnels (mise à contribution d’une diversité de compétences) et professionnels (évolution de leur rapport au handicap et plus grande ouverture à l’inclusion). Des défis sont également soulignés, notamment lorsque les compétences ou connaissances à mobiliser entraîne un investissement trop important, ainsi que les limites du tutorat offert en distanciel.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; 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 ».