Faire apprendre l'histoire. Pratiques et fondements d'une "didactique de l'enquête" en classe du secondaire
Bibliographic record
Abstract
Pourquoi enseigne-t-on l’histoire ? Qu’est-il possible d’apprendre en classe d’histoire et comment y amener les élèves ? De quels outils l’enseignant disposent-ils ? Comment peut-il concevoir une séquence d’enseignement en histoire ? Comment évaluer les apprentissages des élèves ? Comment planifier les objets à enseigner ? Comment mettre en œuvre l’« approche par compétences » en classe d’histoire ?... La manière de concevoir l’enseignement de l’histoire a connu de profonds bouleversements depuis les années 2000. Faire apprendre l’histoire propose une mise au point théorique sur ces nouvelles conceptions et des pistes d’action pratiques et opérationnelles conformes à l’état de la didactique de l’histoire et des prescrits qui sont de mise dans les principaux systèmes éducatifs en francophonie : Belgique, Québec, France et Suisse romande. Historien, Jean-Louis JADOULLE est formateur d’enseignants et professeur de didactique de l’histoire à l’Université de Liège. Fort de sa pratique de la classe du secondaire, il entend offrir aux enseignants une proposition cohérente susceptible de les amener à revisiter l’enseignement-apprentissage de la discipline scolaire qu’est l’histoire.
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.022 |
| Scholarly communication | 0.017 | 0.010 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.027 | 0.005 |
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".