Réflexions autour du concept de coenseignement en contexte inclusif
Bibliographic record
Abstract
Bien qu’il soit relatif à un contexte particulier en transition, le thème de cet article s’insère dans une réflexion plus globale et rejoint la préoccupation suscitée par l’intégration et l’inclusion scolaires. En effet, par le rapatriement des élèves et des enseignants issus de l’enseignement spécialisé dans l’école ordinaire, le concept de coenseignement a été fortement mis en exergue ces dernières années. Le but de cet article est donc de mettre en perspective l’efficacité et les conditions-cadres du coenseignement et de relever en parallèle des perspectives de recherche nécessaires afin de soutenir ou de réfuter les injonctions actuelles de mise en oeuvre du coenseignement en contexte inclusif. À cette fin, nous nous attacherons tout d’abord à situer la problématique dans le contexte suisse, puis nous définirons des concepts clés liés au coenseignement selon l’intensité des modes de partage du travail enseignant. Ensuite, nous présenterons les résultats d’un ensemble de recherches pertinentes sur l’efficacité du coenseignement quant aux résultats scolaires et de comportement des élèves, ainsi que sur les bénéfices perçus par les enseignants et les élèves. Nous dégagerons enfin les conditions-cadres recommandées par différents auteurs pour la mise en oeuvre du coenseignement dans les établissements scolaires.
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 | 0.010 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.007 | 0.030 |
| Scholarly communication | 0.016 | 0.014 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".