Accompagner des étudiants : quels rôles pour l'enseignant? Quels dispositifs? Quelles mises en oeuvre?
Bibliographic record
Abstract
Transmettre des connaissances suffit-il pour former des étudiants autonomes et compétents ? Les professeurs doivent-ils se transformer en accompagnateurs ? Avec le développement des stages, de l’apprentissage par projet et par problème, des études de cas, des portfolios, du suivi des projets professionnels, etc., l’enseignant du supérieur n’échappe plus à cette tendance. Il quitte sa chaire pour prendre place à côté des étudiants afin de les accompagner dans leur apprentissage et les aider à construire leur identité professionnelle. Face à ce nouveau rôle, l’enseignant à l’université a parfois du mal à trouver ses marques : Comment encadrer des étudiants en stage ? Quel contrat passer entre l’étudiant et l’enseignant ? Comment évaluer les compétences dans un apprentissage par problème ? Comment se former au tutorat ? Développer l’autonomie, oui, mais comment ? Cet ouvrage est construit autour d’une centaine de situations de terrain vécues par des enseignants du supérieur dans leur pratique d’accompagnement des étudiants, au sein d’une grande diversité d’institutions en France, en Belgique et au Québec dans des disciplines variées : sciences de l’ingénieur, gestion, droit, médecine, travail social et sciences de l’éducation. Chaque chapitre exploite ces situations pour traiter un aspect particulier comme la motivation et l’engagement des étudiants, la stratégie de formation des tuteurs, la gestion des conflits, l’évaluation des acquis des étudiants, l’utilisation du portfolio, le changement des relations entre l’institution et les enseignants... Les enseignants du supérieur trouveront dans cet ouvrage des pistes de réflexion, des exemples et des outils qui les aideront à mettre en place ou à améliorer leur pratique et leur propre dispositif d’accompagnement.
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 | 0.016 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.012 | 0.008 |
| Scholarly communication | 0.018 | 0.017 |
| Open science | 0.002 | 0.014 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.024 | 0.009 |
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".