Pratiques d’enseignants canadiens francophones du primaire en contexte d’exploitation d’outils numériques en sciences et technologie
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
Cet article pose un regard sur les pratiques d’enseignants du primaire dans un contexte d’exploitation d’outils numériques dans l’enseignement des sciences et technologie (ST). Depuis plusieurs années, de nombreuses études et rapports ministériels relèvent que l’enseignement des ST s’avère difficile au primaire, et ce, pour différentes raisons souvent contextuelles : curriculum scolaire chargé, faible sentiment de compétence et manque de formation continue (Couture et al., 2015 ; CSE, 2013 ; Milner et al., 2012 ; Minier et Gauthier, 2006). Considérant que les outils numériques tendent à amener des changements positifs dans les façons d’apprendre (Fowler et Leonard, 2021) et d’enseigner (Remery et al., 2019), des chercheurs suggèrent de s’intéresser aux usages du numérique pour bonifier les pratiques d’enseignement en ST (Chai et al., 2019 ; Goodnough et al., 2019 ; Tavares et al., 2021). Cette présente recherche en est une qualitative à visée descriptive et suit comme méthode de collecte de données l’étude multicas (Merriam, 1988). Issues d’un sondage et d’observations réalisées auprès de cinq participants, les pratiques ont été analysées à la lumière du modèle TPaCK de Koehler et Mishra (2009). Il ressort dans les résultats que certains enseignants sont en mesure de mieux soutenir leurs pratiques d’enseignement à partir des outils numériques en ST alors que pour d’autres, cela demeure tout de même un défi. Pour expliquer ce constat, la discussion fait état de certains facteurs contextuels qui émergent, dont la disponibilité et le choix des outils numériques, la culture institutionnelle ainsi que le sentiment de compétence des enseignants.
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 | 0,019 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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