Le modèle contextuel de l’apprentissage dans les musées et autres environnements d’éducation non formelle : critique et bonification
Bibliographic record
Abstract
Le Modèle contextuel de l’apprentissage (MCA) a été développé dans un effort pour structurer les recherches et les pratiques à propos de l’apprentissage dans les musées et autres environnements d’éducation non formelle. S’inscrivant à la croisée des perspectives socioconstructiviste et socioculturelle, le MCA s’articule autour du concept d’apprentissage libre-choix (ALC) et décrit un système interactif constitué de huit facteurs répartis dans trois contextes (personnel, socioculturel, physique) qui viennent déterminer la nature et la qualité de l’expérience d’apprentissage vécue dans le musée. Dans ce texte, nous critiquons la prise en compte sélective d’éléments de la théorie socioculturelle lors de l’élaboration du modèle, qui a mené à l’exclusion des concepts de participation et de médiation par les outils, pourtant centraux dans cette perspective théorique. Au terme de ce texte, nous proposons une version bonifiée du MCA à laquelle ont été ajoutés ces aspects manquants. Cette proposition d’enrichissement du modèle contribue, de notre point de vue, à le rendre mieux adapté aux pratiques récemment observées dans les musées et autres environnements d’éducation non formelle.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.017 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| 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".