Les stratégies pédagogiques favorables au transfert des apprentissages: une étude sur la perception des étudiants
Notice bibliographique
Résumé
En tant que professeurs, nous sommes responsables de créer l’ensemble des conditions favorables aux apprentissages durables et transférables, mais que faut-il réellement mettre en place pour inciter les étudiants à apprendre efficacement et à prendre part activement au processus ? Après une vingtaine d’années en enseignement, à force d’être impliquée dans des discussions relatives au paradigme de l’apprentissage en éducation et de participer à des activités à caractère pédagogique pour son développement professionnel, l’auteure a éprouvé le besoin de découvrir, du point de vue des étudiants, comment les professeurs pouvaient les aider à apprendre. Cet article synthétise les principaux résultats d’une recherche qu’elle a menée dans le cadre de sa maitrise, lors de laquelle elle s’est intéressée à la perception des étudiants concernant des stratégies pédagogiques qui favorisent leurs apprentissages et la réutilisation de connaissances dans des situations nouvelles. Les résultats de cette recherche, bien qu’ils soient étroitement liés à des cours de Sciences humaines, ne s’y limitent toutefois pas. Ils sont aisément transférables à d’autres contextes pédagogiques. Notamment, la réutilisation de connaissances peut se faire entre deux cours d’un programme technique ou encore d’un cours vers un milieu de stage.
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 | 0,016 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».