Les aides technologiques à l'apprentissage pour soutenir l'inclusion scolaire
Notice bibliographique
Résumé
Les aides technologiques constituent des moyens prometteurs d’aide à l’apprentissage en contexte inclusif. En effet, l’utilisation d’une plus grande variété d’outils technologiques en classe peut contribuer à la prise en compte d’une variété de besoins chez les élèves. Cela ne veut pas dire pour autant que l’emploi des technologies dans une visée pédagogique ne soulève aucun défi, bien au contraire ! Cet ouvrage vient outiller les praticiens de l’éducation en clarifiant certaines perspectives d’utilisation d’aides technologiques (logiciels libres, technologies mobiles, technologies d’aide, etc.). Basé sur des expertises multiples dans différents contextes scolaires (Québec, Suisse et Italie), il explore les aides technologiques à l’apprentissage dans une visée de participation accrue de tous les élèves, y compris ceux ayant des besoins particuliers. Il a aussi pour but de soutenir les milieux scolaires désireux d’entreprendre une démarche d’appropriation de ces aides technologiques à l’apprentissage ou d’envisager une offre de service dédiée au soutien technologique en contexte éducatif à visée inclusive. Les exercices, les pistes de réflexion et les outils de planification proposés au gré des chapitres sauront répondre aux besoins de nombreux acteurs de l’éducation qui sont interpellés par la réussite de tous les 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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,018 | 0,008 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,010 |
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 ».