Savoirs disciplinaires scolaires et savoirs de sens commun ou pourquoi des « idées vraies » ne prennent pas, tandis que des « idées fausses » ont la vie dure
Bibliographic record
Abstract
Les savoirs de sens commun sont solidement ancrés dans les usages, notamment grâce à l’habitude et à la sécurité ontologique qu’ils engendrent. Cet article examinera d’abord pourquoi les savoirs disciplinaires appris à l’école ne sont pas automatiquement réinvestis dans des contextes de nature extrascolaire et pourquoi les savoirs de sens commun résistent à leur déconstruction. La première partie de l’analyse sera marquée par le croisement de discours épistémologiques concernant la nature et la place des savoirs de sens commun dans les conceptions familières de la science. Cet article explorera ensuite les dynamiques qui marquent les relations qu’entretiennent les savoirs disciplinaires scolaires et les savoirs de sens commun en contexte scolaire. Le langage propre à la seconde partie se rattachera davantage aux débats en éducation sur l’importance prépondérante des savoirs de sens commun dans l’apprentissage disciplinaire par concepts. Enfin, nous montrerons qu’il existe des stratégies d’enseignement qui peuvent optimiser l’appropriation intellectuelle des savoirs disciplinaires scolaires et leur transfert dans les interactions quotidiennes.
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 | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.025 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".