Quelles stratégies pour l'enseignement? Une revue intégrative de classifications qui les répertorient
Notice bibliographique
Résumé
La didactique comme discipline éducationnelle s’intéresse tant aux objets de savoirs qu’aux manières de les enseigner que l’on peut désigner comme des stratégies d’enseignement. Plusieurs classifications les répertoriant ont été publiées pour en réduire la complexité. Cet article propose une revue intégrative des classifications de stratégies d’enseignement dont l’objectif est d’identifier ce qu’elles contiennent et comment elles sont organisées afin de dégager des constats pour la recherche en didactique. Basée sur la méthode de recension des écrits de Whittemore et Knafl (2005) et sur la méthode PRISMA (Moher et al., 2009) pour la sélection des textes, nous avons procédé à une analyse critique de 14 classifications en s’appuyant sur les définitions des concepts de classification, de typologie et de taxonomie, ainsi que sur les composantes du modèle de la situation pédagogique de Legendre (1983). L’un des constats qui se dégage est que la composante Objet, soit les apprentissages potentiels que les stratégies d’enseignement peuvent engendrer chez les personnes apprenantes, est peu présente et appuyée dans les différentes classifications. Les angles morts dégagés des analyses sont ensuite discutés et conduisent à la proposition de pistes pour l’élaboration d’une éventuelle typologie tenant compte de cette revue intégrative.
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 | 0,026 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,013 |
| Études des sciences et des technologies | 0,008 | 0,048 |
| Communication savante | 0,023 | 0,039 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».