La formulation d’objectifs spécifiques d’apprentissage en mathématiques d’après le modèle de Gagné et Briggs
Bibliographic record
Abstract
Cet article a pour but de décrire, dans le cadre de l’approche critériée, une étape fondamentale du processus éducatif : la formulation d’objectifs spécifiques en mathématiques. L’approche critériée, utilisée de plus en plus pour l’évaluation des apprentissages, nous oblige à porter une attention toute particulière à la formulation de ces objectifs, contrairement à ce qui se passe avec l’approche normative. Dans cette dernière, l’apprentissage est évalué, non pas en fonction d’objectifs spécifiques à atteindre, mais en fonction du rendement de chacun des apprenants d’un groupe donné, les uns par rapport aux autres. Le résultat de l’évaluation prend alors la forme d’un rang, d’un pourcentage, d’une lettre, d’un quintile, etc. Dans l’approche critériée, ces cotes n’ont plus de raison d’être : le résultat de l’évaluation s’exprime par le simple fait d’avoir atteint, ou non, un ou des objectifs spécifiques. Tentant de formuler des objectifs pour les mathématiques à l’élémentaire, nous nous sommes référés, dans une première étape, aux livres 7 et 8 de Ferland et Legris (1973). La formulation obtenue nous est apparue peu adéquate (trop vague ou trop générale) en ce qui concerne l’élaboration structurée (spécifique) d’un programme d’enseignement dans le cadre de l’approche critériée. C’est pourquoi nous avons repris la formulation des objectifs, mais cette fois-ci en nous inspirant de la méthode systématique d’élaboration que nous fournissent Gagné et Briggs (1974); voir en particulier le chapitre 5 : « Defining Performance Objectives », pp. 75-97). En fait, nous donnons dans les pages qui suivent, une explication condensée de leur modèle.
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 | 0.013 | 0.034 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.009 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 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".