Comprendre l'usage du tableau blanc interactif (TBI) sur l'apprentissage et la réussite des élèves : le cas de l'école secondaire Saint-Laurent de la commission scolaire Marguerite-Bourgeoys
Bibliographic record
Abstract
Ce mémoire de maîtrise a pour but de comprendre comment le tableau blanc interactif (TBI), ce nouvel outil d'enseignement voué à être installé dans toutes les classes du Québec selon les promesses du Parti libéral, pourrait représenter une solution au décrochage scolaire. Pour ce faire, nous avons réalisé une étude qualitative dans une classe de 17 élèves de quatrième secondaire pour observer leurs comportements avec le TBI, recueillir leurs impressions sur cet appareil numérique, et ce, sur une période de quatre mois. En accord avec notre hypothèse de recherche, nous avançons que le TBI peut mener à la réussite, mais dans certains contextes et sous certaines conditions que nous avons regroupés sous trois grandes sphères influentes : l'écosystème du TBI, les caractéristiques de l'enseignant ainsi que les caractéristiques de l'élève lui-même. À l'aide d'observations notées, de journaux de bord tenus par les élèves et d'entrevues semi-dirigées, et à la lumière des résultats obtenus, nous sommes arrivées à développer un schéma conceptuel illustrant la relation entre le TBI et la réussite, en y intégrant nos trois sphères. Nous avons d'abord identifié plusieurs activités pédagogiques réalisables à l'aide d'un TBI ainsi que plusieurs caractéristiques qui font en sorte qu'il se démarque (comme sa rapidité, son efficacité, son interactivité, sa flexibilité, etc.). Ces caractéristiques, combinées au contexte dans lequel il s'insère, créent l'écosystème du TBI. Par le contexte, nous entendons d'une part l'environnement physique et virtuel propres aux élèves et à l'enseignant et d'autre part, toute la convergence des outils numériques qu'entraîne le TBI. Or, lorsque l'écosystème du TBI est optimal, ce dernier peut avoir des effets sur l'élève directement (sur son attention, sa stimulation, sa compréhension, etc.) ou bien indirectement, sur l'enseignant (sur ses explications, ses interactions, sa pédagogie, etc.) et donc ultimement sur l'élève et sa réussite. Par ailleurs, nous montrerons que ces deux acteurs doivent également présenter des caractéristiques propices ou préalables à l'utilisation du TBI pour que l'apport de ce dernier devienne significatif, par exemple un intérêt pour l'outil. C'est seulement lorsque toutes ces conditions sont réunies que l'on pourrait affirmer que le TBI peut mener à la réussite et incidemment, pourrait contribuer à diminuer le taux de décrochage chez les élèves de niveau secondaire. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Tableau blanc interactif, tableau numérique, TBI, TNI, technologies, TIC, éducation, TICE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".