La communauté d’apprentissage professionnelle : une démarche favorisant la réussite éducative des élèves doués ?
Bibliographic record
Abstract
Cet article présente les résultats d’une recherche visant à mieux comprendre l’apport des communautés d’apprentissage professionnelles (CAP) à l’égard des élèves doués. Les auteurs s’interrogent sur la capacité d’une CAP à identifier les élèves doués, à dépister leurs besoins et à mettre en place les mesures pour y répondre. La recherche, de type exploratoire et qualitatif, a permis de recueillir les représentations de six enseignants d’un district scolaire francophone du Nouveau-Brunswick, soit deux pour chacun des trois ordres d’enseignement. Leurs représentations ont été validées auprès d’un groupe composé d’enseignants ressources. Des entrevues semi-dirigées, une entrevue de groupe et une analyse documentaire ont servi de méthodes et de techniques de recherche. La collecte de données s’est déroulée durant l’année scolaire 2011-2012. Les résultats montrent que les CAP implantées au Nouveau-Brunswick constituent une approche efficiente et efficace pour identifier les élèves à risque, dépister leurs besoins et y répondre. Bien que ces CAP n’aient pas pour mission de prioriser le phénomène de la douance, les stratégies élaborées en CAP ont des retombées positives sur tous les élèves, y compris les élèves doués. La démarche en CAP pourrait néanmoins être revue afin de mieux répondre aux besoins de ces derniers.
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 | 0.018 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".