Pour dépasser le technicisme de l’apprentissage de la translation: Cabri-géomètre, un outil de soutien à la compréhension conceptuelle?
Bibliographic record
Abstract
Cet article présente les résultats d’une expérimentation didactique réalisée avec deux élèves du primaire (11-12 ans) dans une école du Québec au sujet de l’apprentissage de la translation avec le logiciel Cabrigéomètre. La séquence d’enseignement-apprentissage expérimentée a été conçue de façon analogue à la démarche d’enseignement-apprentissage proposée par Barth (2001) sur le processus de conceptualisation. Les stratégies des élèves en lien avec ce processus ont été analysées. La compréhension de ces élèves du concept de translation a été examinée avant et après la séquence d’enseignement-apprentissage en fonction du modèle de compréhension de schèmes conceptuels de Herscovics et Bergeron (1988). Les résultats indiquent que, suite à la séquence d’enseignement/apprentissage, la compréhension logico-mathématique du concept de translation a évoluée chez ces élèves, alors que leur compréhension logico-physique de ce concept est demeurée inexacte. Par ailleurs, les résultats font état de procédures d’utilisations différentes du logiciel Cabri-géomètre. Elles ont possiblement influencé le processus de conceptualisation et, par conséquent, la compréhension des élèves.
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 | 0.015 | 0.053 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.009 | 0.013 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".