Apprendre sur les modalités d’apprendre
Bibliographic record
Abstract
Dans cet article, Wood indique que Rogers divise les modalités d’apprendre en deux catégories, la mémorisation par cœur et la mémorisation expérientielle. Émotionnellement, cette deuxième modalité implique l’individu dans le choix des sujets et finalement aboutit à la personne fonctionnant pleinement. Toutefois, à l’époque de Rogers, la société était stable et la personne relativement flexible. Maintenant les temps sont autres et Wood s’interroge sur la pertinence de ces concepts dans une société dont les valeurs ont changé. À l’aide d’exemples percutants, il énumère les avantages de l’apprendre par cœur et en souligne la valeur, notamment dans les cas où il est impossible de choisir sans avoir des données initiales qui doivent à l’évidence être apprises. Et il se demande alors s’il est donné à tous les individus de pouvoir faire des choix. Il constate que les individus sont divers et que tout le monde ne possède pas de lieu de contrôle interne qui permette de s’autodiriger. La personne qui fonctionne pleinement, personne idéale, est nécessairement plus limitée que ne sont réelles les possibilités. Aurait-elle la largeur de vue, la flexibilité, la diversité d’intérêts pour agir de concert avec les autres dans des situations complètement imprévues offertes par le futur ? Telle est la question que pose John Wood. Il y répond en citant une expérience brésilienne qui offre l’exemple d’une modalité d’apprendre innovante. Il en tire la conclusion que pour faciliter les modalités d’apprendre, il n’est pas suffisant que l’enseignant soit empathique, congruent et acceptant. Les exercices de mémoire devraient être évalués en fonction de leur valeur d‘apprendre. Pour Wood, une perspective plus large reste encore à trouver qui incorpore les principes de Rogers et plus encore.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.017 |
| Scholarly communication | 0.006 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".