Le jeu comme modèle de l’activité humaine et comme modèle en théorie de l’action conjointe en didactique. Quelques remarques
Bibliographic record
Abstract
Dans cet essai, j’envisage la notion de jeu en tant qu’elle peut fournir une structure pour modéliser l’activité humaine en général, et l’activité didactique en particulier. Je tente de montrer certains aspects de sa pertinence scientifique, telle qu’elle est utilisée au sein de la théorie de l’action conjointe en didactique. Pour cela, je présente la notion de jeu en tant qu’outil de description de la pratique, c’est-à-dire en tant qu’élément de constitution d’une théorie de la pratique. Dans cette perspective, le modèle du jeu a pour fonction de mieux comprendre et expliquer l’action humaine. Après avoir présenté certains éléments d’arrière-plan sur la base desquels la notion de jeu me paraît pouvoir être employée de manière fructueuse, je m’efforce de dissiper certaines ambiguïtés attachées à l’usage de la notion, et à clarifier ce que peut signifier l’expression « utiliser le modèle du jeu ». Je tente ensuite de donner à voir certains intérêts génériques de l’usage du modèle du jeu, avant de préciser rapidement certains aspects de cet usage par comparaison à ceux de tâche et d’activité. La conclusion se concentre sur la production de critères d’usage du modèle du jeu.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.022 |
| Scholarly communication | 0.010 | 0.013 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.015 | 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".