Tâches complexes en mathématiques : difficultés des élèves et exploitations collectives en classe
Bibliographic record
Abstract
Cet article s’intéresse aux tâches complexes proposées en Belgique francophone en guise d’exemples d’outils permettant d’évaluer les compétences en mathématiques des élèves en fin d’enseignement primaire (6e année). En confrontant les résultats de deux recherches portant sur une même tâche complexe (observation d’élèves lors de la résolution de la tâche en petits groupes, d’une part, et observation de situations d’enseignement menées en groupe-classe, d’autre part), le présent article tente d’apporter un éclairage aux questionnements suivants : 1) Quelles exploitations collectives les enseignants proposent-ils pour aider les élèves? 2) Prennent-ils en compte les erreurs et les difficultés des élèves? 3) S’appuient-ils sur leurs démarches efficaces? Globalement, si les résultats montrent que les enseignants s’appuient partiellement sur les difficultés des élèves et sur les démarches qui se sont avérées les plus efficaces lors l’observation des élèves en situation autonome de résolution, ils révèlent également un guidage directif de la part des enseignants et un implicite quant aux raisons guidant certains choix de démarches plutôt que d’autres risquantin finede ne pas suffisamment soutenir le développement des compétences visées.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".