MétaCan
Menu
Retour à la cohorte
Enregistrement W7070742003

Pratiques d’enseignement\n au Canada et au Brésil intégrant les arts dans les sciences et technologies

2017· article· fr· W7070742003 sur OpenAlexaboutno aff

Notice bibliographique

RevueÉrudit (Université de Montréal) · 2017
Typearticle
Languefr
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMachine Learning in Bioinformatics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThe artsHuman scienceLimitingContext (archaeology)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Intéresser les jeunes aux sciences et technologies constitue un important défi. Nos activités de recherche et d’intervention, comme didacticiens au Canada et au Brésil, nous ont conduits à vouloir identifier des pratiques gagnantes à cet effet. Nous nous sommes penchés sur celles qui intègrent les arts. Une démarche itérative entre nos référentiels conceptuels et théoriques respectifs nous a permis d’affiner notre cadre d’analyse et d’identifier quatre dimensions pour examiner nos répertoires de pratiques sous l’angle de l’intégration des arts à l’enseignement des sciences : la pédagogie de la joie, la médiation, l’engagement des élèves et l’usage de représentations multimodales. Cette analyse fait ressortir deux principaux ensembles de pratiques : celles qui intègrent la créativité et les arts comme tâche d’apprentissage, et celles qui utilisent des artéfacts culturels comme la science-fiction et la musique, comme outil d’enseignement. L’analyse plus poussée de ces pratiques montre qu’elles sont porteuses de caractéristiques susceptibles d’encourager le développement de la créativité, d’intéresser les jeunes et de développer leur sens critique. Malgré le petit nombre analysé, nous croyons que ces pratiques et le référentiel qui les caractérise sont susceptibles d’alimenter la réflexion et le développement d’un répertoire de pratiques intégrant les arts à l’enseignement des sciences et technologies.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,737
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0030,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,210
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueÉrudit (Université de Montréal)Même sujetMachine Learning in BioinformaticsTravaux en français237 207